卡尔曼滤波器从入门到放弃（一）

1、卡尔曼率滤波器入门

卡尔曼滤波器是一种自适应的滤波算法，本文从以下几点来介绍个人对卡尔曼滤波器的理解，水平有限，仅供参考。

生活中遇到的任何系统都具有不确定性：

1、不存在完美的数学模型，任何的实际案例与我们的数学模型之间都具有一定的差距。

2、系统的扰动是不可控制的，比如我们在骑车的时候会有风速的的阻力，不可预测，不可计算。

3、所有的传感器测量的数据都存在一定的误差，没有绝对精确的测量装置（格林威治时间亦是如此）。

卡尔曼滤波器(Kalman filter)与其被称为滤波器，不如称之为最佳线性优化算法（Optimal linear optimization algorithm），而且可以通过数学公式证明。

卡尔曼滤波器的适用范围：准确已知的线性系统和测量方程，系统噪声和测量噪声为互不相关的均值为0的高斯白噪声。

卡尔曼滤波器的应用领域：目标跟踪、故障诊断、计量经济学、惯导系统。。。。。。

什么是卡尔曼滤波器，举例：

三个帅小伙使用同一把尺子测量同一枚银币的直径：

三次测量结果分别为Z1 = 30.1mm，Z2 = 30.2mm，Z3 = 30.3mm

因为尺子本身存在着误差，因此三次测量结果均不是准确结果，但是想要得到准确结果，我们的第一应就是求平均值，再将求平均值的思想进行推广，因此

根据上式，我们可以看出当前估计值 = 上一次估计值 + 系数（卡尔曼增益）*（当前测量值 - 上一次估计值）。

 然后，我们定义两个变量分别是估计误差和测量误差，然后定义卡尔曼增益为：

 这个定义式会在后面进行推导。

到此为止，使用卡尔曼滤波器则分为三个部分：

到此为止，我们对这个初具卡尔曼滤波器思想的公式进行实际操作一下，下图为通过excal表格绘制的曲线，其中红色代表经过滤波器滤波之后的测量值，而蓝色代表通过传感器测量之后直接得到的数值：

 从上图中可以明显的看出，在经过两次测量之后，数据迅速稳定下来，并且多次预测结果比较稳定，不会因为噪声的改变而产生更大的变化。