本文从高斯过程的角度探讨卡尔曼滤波，详细阐述预测（高斯过程）和更新（贝叶斯推断）两个核心步骤。通过状态空间方程和观测值，卡尔曼滤波提供了一种优化系统状态估计的方法，通过不断迭代提高观测准确性。
前言
- PRML中提到，卡尔曼滤波是高斯过程的一种应用，本文便从高斯过程的角度来总结一下卡尔曼滤波；
- 首先明确卡尔曼滤波包括两部分：预测和更新。预测就是根据系统上一时刻的状态最优估计 S k − 1 S_{k-1} Sk−1预测当前时刻的状态 S k S_{k} Sk；更新就是通过当前时刻的观察值 Z k Z_k Zk更新当前时刻的状态预测值，作为当前时刻的最优估计 S k ′ S_{k}' Sk′。以此方法迭代。
- 其次明确系统的真实状态是确定的、唯一的，但是！！我们得到的所有估计值都是不确定的，是一个随机变量，因此使用二阶统计量（均值、协方差）来描述。
预测（高斯过程）
- 设上一时刻的系统状态的最优估计为 S k − 1 S_{k-1} Sk−1，其服从多元高斯分布：
S k − 1 ∼ N ( x ^ k − 1 , P k − 1 ) S_{k-1}\sim\mathcal{N}(\hat{x}_{k-1},P_{k-1}) Sk−1∼N(x^k−1,Pk−1) - 系统状态空间方程描述了状态转换的规则：
S k = F k S k − 1 + B k u k S_{k}=F_kS_{k-1}+B_ku_k Sk=FkSk−1+Bkuk
F k F_k Fk状态转移矩阵， B k B_k Bk控制矩阵， u k u_k uk控制量； - 由上一时刻系统状态随机变量 S k − 1 S_{k-1} Sk−1转换到当前时刻系统状态随机变量 S k S_{k} Sk就是一个高斯过程，我们虽然对该转换进行了建模（状态空间方程），但是仍然存在一些不可控因素（风阻、打滑、突发事件等），因此加入独立随机噪声 ϵ ∼ N ( 0 , Q k ) \epsilon\sim\mathcal{N}(\mathbf{0},Q_k) ϵ∼N(0,Qk)，因此真实的状态空间方程应该是这样的：
S k = F k S k − 1
最低0.47元/天 解锁文章
扫一扫
3262
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
