链接: link.
最主要是第九第十步怎们来的,为啥是这个。
对第九,第十步的理解:
Σ
\Sigma
Σ该字母含义在多维高斯分布中类比于一维高斯分布中的
σ
\sigma
σ他是多维高斯分布变量之间的协方差,那么
Σ
0
\Sigma0
Σ0为啥等于
是因为它是根据原来x的
Σ
\Sigma
Σ变换得来的,原来x的
Σ
=
\Sigma=
Σ=
而初始x0的
Σ
\Sigma
Σ可以根据x0状态中不同的变量根据协方差公式得到,比如该文中的速度和位置。
而u0则可以根据当前出现状态即是高斯分布中最有可能的那个状态,也即,当前状态即是u0位置,后面公式十也可以这样理解。
总结:
1.根据以前预测最优状态xk-1和协方差pk-1得到本次的预测状态xk-和协方差pk-。协方差表示状态内部变量之间的关系,对协方差的预测表示对状态内部变量之间的关系变化的预测。初始x0所在的高斯分布的协方差矩阵,和u,可使用多次测量x0状态,然后u根据多次测量的x0的平均值得到。协方差矩阵,使用多次测量的x0所包含的变量,俩俩分别根据协方差公式计算得到,比如该文中的速度和位置就是x0的变量,将初始状态x0状态下,多次测得的速度和位置数据按照协方差公式
其中xi代表速度,yi代表位置,N表示测了n次x0状态。
2.将预测状态xk-乘以H变换矩阵向观测状态变换,得到z1
3.观测得到观测的状态z2
4.将以z1,z2为中心点(也就是类比于一维高斯分布u轴的值)的高斯分布融合为一个新的高斯分布
融合过程需要u和
Σ
\Sigma
Σ,z1所在的高斯分布
Σ
=
H
p
H
\Sigma=HpH
Σ=HpH,u1=z1,
z2所在的高斯分布
Σ
=
R
\Sigma=R
Σ=R,u2=z2
5. 化简,移项4的公式,即可得到最优估计xk,可以得到最优估计所在的高斯分布的
Σ
。
\Sigma。
Σ。为下一次迭代初始值做好准备。
猜测卡尔曼的思维过程:
1.我们要把测量的数据和以前的数据结合起来得到一个最好的估计
2.首先需要计算预测值,预测值怎么算呢?根据以往经验参数加上噪声
4.在变换过程中状态中的变量关系也发生了变化,所以就需要将其记录下来,使用协方差的方式。
5.将预测的值转变为观测的值
6.将预测并且转换为的观测状态值和观测状态值进行融合
7.怎么融合最好呢?
8.发现他们是这样的,可以把当前状态当作一个高斯分布最高概率出现的状态,进而得到整个高斯分布,将俩个高斯分布融合,得到新的 高斯分布,再根据高斯分布的u值,即是最优估计Xk,得到最优估计。然后将状态的内部的变量之间的变化也保存下来,供下次循环使用。