线性高斯系统

我们平时熟知的卡尔曼滤波就是高斯滤波的一种,因为它是基于高斯分布的。用高斯函数来表示后验具有很好的影响,因为它的是单峰,有单一的极大值。高斯滤波中的参数的均值和方差称为矩参数,分别为一阶矩和二阶矩(PS:这一点的理解上非常重要)。

卡尔曼滤波就是在线性高斯假设的基础上建立起来的
1。状态转移概率p(x_t | u_t,x_t-1) 是带有随机高斯噪声的参数的线性函数
这里写图片描述
xt 为状态向量,ut为t时刻的控制向量。
At为n * n 的方阵,n为状态向量x的维数。
Bt为n * m的矩阵,m为控制向量u的维数
ε 为高斯随机向量,由状态转移的不确定性引入,其维数与状态向量维数相同,均值为0,方差用Rt表示(这里的这个R就是我们平常说的卡尔曼滤波中QR矩阵中的R矩阵)

2。测量概率p(z_t | x_t) 也是与带有高斯噪声的自变量呈线性关系

这里写图片描述

C_t为k * n的矩阵,k为测量向量Z的维数,向量δ 为测量噪声,分布为均值是0,方差为Q的多变量高斯分布

3。初始置信度必须是正态分布,用μ_0表示置信度的均值,Σ_0表示方差

阅读更多
上一篇sofa-pbrpc 和 protobuf 组合使用
下一篇扩展卡尔曼滤波分步骤详细理解
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭