卡尔曼滤波总结

卡尔曼滤波/数据融合

问题:

       因为有误差存在,所以对于系统的真实状态X,我们是无法知道的,所以只能通过对系统的预测值和观测值加以整合,得出最优的估计值。

 

流程:

       输入:预测值X(k|k-1)+观测值Z(k)

       输出:最佳估计值X(k|k)

/************************************分割线*********************************************/

KF:

X(k|k-1)从哪获得?

       根据系统模型和状态X(K-1|K-1)算出

其中x(k|k-1)是上一时刻的状态对现在时刻状态的预测,x(k-1|k-1)是上一时刻状态的最优结果, u(k)为现在时刻状态的控制量。

 

Z(k)怎么获得:从传感器获得测量值

 

得到最优估计值X(k|k)

式(3)中的H可以理解实际信号和观测信息的函数/系数,例如输入电流,观测电压

 

式(3)中的Kg(k)是卡尔曼系数,也叫卡尔曼增益

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
扩展卡尔曼滤波(Extended Kalman Filter,EKF)和卡尔曼滤波(Kalman Filter,KF)是两种常用的滤波算法,它们在处理非线性系统时有所不同。 卡尔曼滤波是一种递归滤波算法,用于估计线性系统的状态。它基于系统的动力学模型和观测模型,通过最小化预测状态与观测值之间的误差来估计系统的状态。卡尔曼滤波假设系统的噪声是高斯分布的,并且系统的动力学模型和观测模型都是线性的。因此,卡尔曼滤波在处理线性系统时表现良好。 扩展卡尔曼滤波是对卡尔曼滤波的扩展,用于处理非线性系统。与卡尔曼滤波不同,扩展卡尔曼滤波通过线性化非线性系统的动力学模型和观测模型来近似处理非线性问题。具体而言,扩展卡尔曼滤波使用泰勒级数展开来近似非线性函数,并通过线性卡尔曼滤波来处理近似后的线性系统。这样,扩展卡尔曼滤波可以在一定程度上处理非线性系统,但由于线性化的误差,其性能可能不如卡尔曼滤波在处理线性系统时的表现。 总结一下: - 卡尔曼滤波适用于线性系统,扩展卡尔曼滤波适用于非线性系统。 - 卡尔曼滤波假设系统的动力学模型和观测模型都是线性的,扩展卡尔曼滤波通过线性化非线性系统来近似处理非线性问题。 - 扩展卡尔曼滤波的性能可能不如卡尔曼滤波在处理线性系统时的表现,因为线性化的误差会影响估计结果的准确性。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值