目标追踪----卡尔曼滤波算法

最新推荐文章于 2024-06-13 17:47:23 发布

52kobe

最新推荐文章于 2024-06-13 17:47:23 发布

阅读量3.9k

点赞数

分类专栏：目标跟踪文章标签：算法目标跟踪人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_32283903/article/details/124771729

版权

目标跟踪专栏收录该内容

1 篇文章 0 订阅

订阅专栏

卡尔曼滤波是什么：

只要存在不确定信息的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的找出现象间不易察觉的相关性。优点：内存占用较小（只需要保留前一个状态）、速度快，是实时问题和嵌入式系统的理想选择。

卡尔曼滤波可以做什么:

树林里面四处溜达的机器人，实现导航，机器人需要知道自己所处的位置。

机器人有一个包含位置信息和速度信息的状态 $\vec{x}$ 。其中， $\vec{x}=\left ( \vec{p}, \vec{v} \right )$

在这个问题里，状态是位置和速度。放在其他问题里，它也可以是水箱里的液体体积，汽车的引擎温度等。

机器人有装有GPS传感器，GPS为我们提供一些关于状态的信息，那是间接的、不准确的。

卡尔曼滤波眼里的机器人问题:

有一个状态，它和速度、位置有关：

$\vec{x} = \begin{bmatrix} p \\ v \end{bmatrix}$

我们不知道它们的实际值多少, 但掌握着一些速度和位置的可能组合，其中某些组合可能性更高。

卡尔曼滤波的目标: 从不确定信息中挤出尽可能多的信息。

为了捕获这种相关性，我们用的是协方差矩阵。

$\Sigma i j$ 表示协方差矩阵, 矩阵的每个值是第i个变量和第j个变量之间的相关程度（由于矩阵是对称的, i和j的位置可以随便变换）。

用矩阵描述问题:

还需要k时的两个信息: 最佳估计 $\hat{x_k{}}$ (均值, 也就是), 协方差矩阵 $P_{k}$ 。

(虽然还是用了位置和速度两个变量, 但只要和问题相关，卡尔曼滤波可以包含任意数量的变量)

$\hat{x_k{}}$ = $\begin{bmatrix} p \\ v \end{bmatrix}$ , $P_{k} = \begin{bmatrix} \Sigma pp & \Sigma pv\\ \Sigma vp & \Sigma vv \end{bmatrix}$ 我们要通过查看当前状态(k-1时)来预测下一个状态(k时)。可以用矩阵 $F_{K}$ 来表示这个预测步骤。

它从原始预测中取每一点，并将其移动到新的预测位置。如果原始预测是正确的，系统就会移动到新位置。

我们可以用矩阵来预测机器人下一刻的位置和速度？下面是个简单公式:

$p_{k}$ = $^{P_{k-1} + \Delta}$ t $v_{k-1}$

$v_{k}$ = $v_{k-1}$

换成矩阵形式:

$\hat{^{x_{k}}} = \begin{bmatrix} 1 & \Delta t\\ 0 & 1 \end{bmatrix} \hat{x}_{k-1} =F_k{}\hat{x}_{k-1}$

这是一个预测矩阵, 它能给出机器人的下一个状态，目前还不知道协方差矩阵的更新方法。

对每个点进行矩阵A转换，它的协方差矩阵 $\Sigma$ ，会发生什么变化呢？

$Cov(x) = \Sigma$

$Cov(Ax)=A\Sigma ^{}A_{}^{T}$

--

$\hat{{x_{k}}} = {F_{k}}\hat{x_{k-1}$

$P_{k} = F_{k}P_{k-1}F_{k}^{T}$

外界作用力:

系统状态的改变不只依靠上一个系统状态, 外界作用力可能会影响系统状态的变化。

跟踪一列火车的运动状态，火车驾驶员可能踩了油门使火车提速。

可以通过一个向量 $\bar{^{u_{k}}}$ 来描述这些信息，把它添加到预测方程作为一个修正。

通过发出的指令得到预期的加速度a, 上边的运动方程可以变化为：

$P_{k} = P_{k-1} + \Delta tV_{k-1}+\frac{1}{2}a\Delta t^{2}$

$V_{k}= {V_{k-1}}+a\Delta t$

矩阵形式：

$\hat{x_{k}} = F_{k}\hat{x_{k-1}} + \begin{bmatrix} \frac{{\Delta t_{}}^{2}}{2} \\ \Delta t \end{bmatrix}a$

$= F{_{k}}\hat{x_{k-1}}+B_{k}\vec{U_{k}}$

$B_{k}$ 称作控制矩阵, $\bar{U_{k}}$ 称为控制向量。

参考链接：米开朗基罗赵 - 知乎

关注

0
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
目标追踪----卡尔曼滤波算法

目标跟踪
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。