了解卡尔曼滤波器2--最优状态估计

        本节，我们将讨论卡尔曼滤波算法的工作原理。

        让我们从一个例子开始。当你刷抖音时候, 其中的一个视频广告吸引了你的视线，参加自动驾驶汽车设计大赛,赚取100万美元。使用GPS传感器来测量它的位置。你的车将会在100种不同的地形上各行驶1公里，每次都必须尽可能停靠终点线（如下图所示）。比赛结束时，计算每支队伍的平均最终位置，具有最小的误差方差和平均距离最接近1公里的参赛者会获得大奖。

 

        举个例子，这些点表示最终位置, 红点代表各个队伍平均最终位置。基于这些结果，第一组输了, 因为平均位置的偏差较大，尽管它的方差很小。第二组也输了，虽然它的平均最终位置在终点线上, 但是它有很大的方差。获胜者将是第三组，因为它的方差最小, 而且它的平均最终位置在终点线上。

 

        如果你想成为百万富翁, 你不应该完全依靠 GPS 读数, 因为它们可能会有很大误差。为了按要求赢得比赛，您可以使用卡尔曼滤波器来估算汽车的位置。

        让我们通过这个系统了解卡尔曼滤波器如何工作的。汽车的输入是油门，输出就是我们所感兴趣的汽车的位置。

 

        对于这样的系统，我们会有许多个状态。

 

        但是为了直观演示, 我们假设一个非常简单的系统，其中汽车的输入是速度。该系统则只有一个状态：汽车的位置。我们正在测量这个状态，因此矩阵C等于1。

 

        尽可能准确地得到y非常重要, 因为我们希望汽车尽可能停靠终点线。但 GPS读数会很多噪音。我们将用v 表示这种测量噪声, 这是一个随机变量。同样，还有过程噪声(ω )，它也是随机的，可以代表风的影响或汽车速度的变化。虽然这些随机变量不遵循模式，但使用概率论我们可以说出它们的平均属性。例如，假设v 是从具有零均值和协方差R的高斯分布中提取的。这意味着如果我们测量汽车的位置, 比如在同一地点测量一百次, 这些读数中的噪声将具有值, 其中大部分位于零均值附近，而更少的位于远离它的位置。这导致高斯分布，由协方差R描述。由于我们有单输出系统, 协方差R是标量并且等于测量噪声的方差。类似地，过程噪声(ω )也是随机的并且假设具有协方差Q的高斯分布。

 

        现在我们知道测量是嘈杂的, 因此我们测量的并不能完全反映汽车的真实位置。如果我们知道汽车模型, 我们可以通过它来运行输入来估计位置。但这个估计也不会是完美的。因为现在我们正在估算x，由于过程噪声这是也不确定的。这就是卡尔曼滤波器发挥作用的地方。它结合了这两条信息来得出汽车的最佳估计值，即存在过程和测量噪声时的位置。

 

        我们将借助概率密度函数，直观地讨论卡尔曼滤波器的工作原理。在初始时间步骤k-1，实际汽车位置可以是估计值x ^ hat_(k-1)附近的任何位置，并且这种不确定性由该概率密度函数描述。这个情节告诉我们的是, 汽车最有可能在这个分布的平均值附近。在下一个时间步, 估计的不确定性增加，用较大的方差表示。这是因为在时间步骤k-1和k之间，汽车可能已经越过坑洼, 或者车轮可能已经滑了一点。因此，它可能已经行进了与模型预测的距离不同的距离。正如我们之前讨论的那样, 关于汽车位置的另一个信息来源来自测量。这里,方差表示噪声测量中的不确定性。同样,真正的位置可以是平均值附近的任何位置，现在我们有了预测和测量, 问题是对汽车位置的最佳估计是什么? 事实证明，估计汽车位置的最佳方法是将这两部分信息结合起来。这是通过将这两个概率函数相乘来完成的，得到的产物也是高斯函数。该估计值的方差小于先前估计值，并且该概率密度函数的平均值为我们提供了汽车位置的最佳估计。这是卡尔曼滤波器背后的基本思想。

 

        但要赢得竞争，您需要能够实施该算法。我们将在下节讨论这个问题。

文章内容的视频地址如下：

了解卡尔曼滤波器——最优状态估计_哔哩哔哩_bilibili