原文来自视频
理解过程
问题提出
其中,p:位置,u:速度,
P
k
P_k
Pk:协方差矩阵
如何直观地理解「协方差矩阵」?
浅谈协方差矩阵
在统计学中,方差是用来度量单个随机变量的离散程度,而协方差则一般用来刻画两个随机变量的相似程度,
协方差的结果有什么意义呢?
如果结果为正值,则说明两者是正相关的(从协方差可以引出“相关系数”的定义),也就是说一个人越猥琐越受女孩欢迎。如果结果为负值, 就说明两者是负相关,越猥琐女孩子越讨厌。如果为0,则两者之间没有关系,猥琐不猥琐和女孩子喜不喜欢之间没有关联,就是统计上说的“相互独立”。
从方差/协方差到协方差矩阵
当没有外力作用时:
当有外力作用时:
上面的两个情况,公式可以写成下面的矩阵形式,其中 x = [ p k , u k ] T x=[p_k,u_k]^T x=[pk,uk]T
怎么估计协方差呢?
先看看协方差的性质:
引入噪声后
状态预测模型推出k时刻的状态,因为状态始终满足正态分布,所以只用均值和协方差矩阵就可以表示这个转换
X表示预测,Y表示实际测量,如下
怎样由预测X,和测量Y,这两个正态分布得出最优估计呢?相乘即可
两个正态分布相乘的性质如下
写成矩阵形式,则如下
所以针对前面的预测X和测量Y,
得出最优的状态估计为
引入卡尔曼增益K后,可以写成如下
编程实现的步骤:
第一步:预测
第二步:测量
第三步:卡尔曼增益
第四步:返回第一步,不断地迭代