卡尔曼滤波在工程应用中十分的广泛,最近一直在学习机器人的运动估计,其中卡尔曼理论十分重要,因此记下相关的学习心得。
卡尔曼滤波就是根据上一时刻的信息估计当前时刻的信息。解决了对之前所有时刻信息都需要保留的问题。仅仅考虑上一时刻的信息。一般有一个估计值,一个测量值,或者(两个传感器分别对一个问题 的测量值),你对估计值也不全相信,对测量值也不全相信,这个时候你就希望有没有个算法能够根据我的估计值和测量值,获得一个较为准确的结果。取权值。小伙子还是太嫩了。这个时候卡尔曼就出来了,说我可以啊。(记住这个系统最好是线性的,对阶跃变化的系统不好)。
先写公式吧,然后根据公式讲解。
**系统预测(1)**
X(K|K-1) = AX(K-1|K-1) + B*U(K)
A,B为系统参数,A为状态转移矩阵,U(K)为现在状态的控制量,如果没有可以为0,W(k)为高斯白噪声,它的协方差为Q
**系统预测(2)**
P(K|K-1) = AP(K|K-1)A' + Q
Q为协方差矩阵
最优估计
X(K|K) = X(K|K-1) + Kg(Z(K) - H*X(K|K-1))
H为在X到Z的一个映射矩阵
卡尔曼增益Kg
Kg(K) = P(K|K-1)H’/[HP(K|K-1)H’ - R]
R为观测噪声的协方差
协方差更新
P(K|k) = (1 - Kg(K)H)P(K|K-1)