移动机器人学(三)卡尔曼滤波

卡尔曼滤波器有一系列递推公式描述,提供一种高效可计算的方法来估计过程的状态,并使估计均方误差最小。它的应用广泛而强大,可以各级信号的过去和当前状态,甚至能估计将来的状态,即使是在无法得知模型的确切性质。

算法流程

请添加图片描述
请添加图片描述

直观理解

考虑一辆匀速运动的小车,它在时刻 t 的状态向量 x ( t ) x(t) x(t) x ( t − 1 ) x(t-1) x(t1) 有关,我们可以预测它的状态 x ( t ) = A x ( t − 1 ) x(t)=Ax(t-1) x(t)=Ax(t1)
然而,实际情况并不是那么理想。这个递推式会受到各种因素的影响(小车结构不稳,刮风下雨),变成 x ( t ) = A x ( t − 1 ) + w t − 1 x(t)=Ax(t-1)+w_{t-1} x(t)=Ax(t1)+wt1 w t − 1 w_{t-1} wt1 为来自各种因素的噪声,我们假设它符合正态分布 N ( 0 , Q ) N(0,Q) N(0,Q) ,为过程噪声
“”我们尝试估计小车的位置:
t = 0 t=0 t=0 时,小车位置 Pos 如下红色分布;
请添加图片描述
t = 1 t=1 t=1 时,我们预测 Pos 值,递推过程中增加了一层噪声,不确定度变大了,方差增大;
请添加图片描述
为了避免单纯估计带来的偏差,我们对 Pos 进行雷达观测,当然,观测也会收到各种因素的影响,我们也假设它是一个符合正态分布 N ( 0 , R ) N(0,R) N(0,R) 的量,称为观测噪声。测量结果显示,Pos 符合蓝色分布;
请添加图片描述
Kalman 通过使估计均方误差最小加权方式将红蓝分布合为绿色的正态分布(这使得 Kalman 滤波可以迭代计算):
请添加图片描述
该分布的具体推导有最大似然法、Ricatti 方程法以及对高斯密度函数变形的方法。

参考

https://zhuanlan.zhihu.com/p/495348963 卡尔曼滤波算法流程以及两个例子
https://www.zhihu.com/question/23971601/answer/46480923 EKF直观理解

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

u小鬼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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