线性卡尔曼滤波器的推导与理解

最新推荐文章于 2022-05-29 12:03:16 发布
最新推荐文章于 2022-05-29 12:03:16 发布
阅读量1.6k 收藏
点赞数 2
分类专栏： 理论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40241332/article/details/97010021
版权
本文深入浅出地介绍了线性卡尔曼滤波器的基本概念和数学推导，适合信息科学和控制科学领域的读者。通过状态空间表达式、卡尔曼增益矩阵的计算，详细阐述了滤波过程，包括状态预测、误差协方差矩阵更新等关键步骤，为理解和应用线性卡尔曼滤波器提供了清晰的指导。
摘要由CSDN通过智能技术生成

 

此文，仅讲述最基本的线性卡尔曼滤波器的理解与推导，方便信息学科与控制学科的人士理解。

首先给定状态空间表达式（离散系统）

             x_{k+1}=F_kx_k+\omega_k\\ z_{k+1}=H_{k+1}x_{k+1}+\nu_{k+1}

其中，状态向量x_k\in\mathbb{R}^n 是不可观测的， z_k\in\mathbb{R}^m是可观测的测量向量； F_{k}\in\mathbb{R}^{n\times n}为状态转移矩阵，H_k\in\mathbb{R}^{m\times n} 为量测矩阵；\omega_k\in \mathbb{R}^n过程噪声 和\nu_k\in \mathbb{R}^m量测噪声 为相互独立的高斯白噪声，均值为零，协方差为Q_{k} 和 R_k。

记先验估计

最低0.47元/天 解锁文章
ChengIsland
关注
专栏目录
卡尔曼滤波器-公式简单推导 | 原理分析 | 将卡尔曼滤波器在MatLab中简单实现
小浪宝宝的博客
05-10 487
从一维的简单情况来解释协方差：假设有一个一维的包含噪声的数据，每次测量值都不同，但都是围绕在一个中心值的周围，表示其分布状况最简单的方法就是记录其中心值和方差，这实际上是假设了其为高斯分布（又名“正态分布”）。现在来看二维的情况，对两个轴上进行投影都是高斯分布，如果两个噪声是独立的时候（如下图所示），可以直接记录其中心值和方差来表示其分布，此时协方差。将记录的两个维度的相关性写成矩阵的形式如下式（7）所示，对角线元素是两个维度各自的方差，反对角线值是相等的，是两个维度之间的协方差。
卡尔曼滤波器-先验估计、后验估计、卡尔曼增益、先验误差协方差矩阵、更新协方差矩阵公式详细数学推导 | 由卡尔曼滤波器推导扩展卡尔曼滤波器
小浪宝宝的博客
05-15 696
xk=Axk−1+Buk−1+wk−1zk=Hxk+vk \begin{align*} x_k&=Ax_{k-1}+Bu_{k-1}+w_{k-1}\\ z_k&=Hx_k+v_k \end{align*} xk​zk​​=Axk−1​+Buk−1​+wk−1​=Hxk​+vk​​   首先给出状态空间方程，其中xkx_kxk​是状态变量，AAA是状态矩阵，BBB是控制矩阵，uk−1u_{k-1}uk−1​是控制，wk−1w_{k-1}wk−1​是过程噪声，过程噪声是不可测的，是不确定性的一种表现，但是在自
线性卡尔曼滤波器
04-04
A Linear Kalman Filter for MARG Orientation Estimation Using the Algebraic Quaternion Algorithm Roberto G. Valenti, Ivan Dryanovski, and Jizhong Xiao, Senior Member, IEEE
线性卡尔曼滤波(KF)
qq_44169352的博客
04-27 3320
目标跟踪(一)线性卡尔曼滤波（KF） 其实，目标跟踪是属于滤波理论中的一种。说的滤波，从最开始的贝叶斯滤波，维纳滤波，在到卡尔曼滤波。本系列将从卡尔曼滤波开始讲述。有对贝叶斯滤波等有兴趣的童鞋们可以自行在B站上面进行学习。 ...
算法基础-卡尔曼滤波器公式推导
weixin_44180186的博客
03-24 819
卡尔曼滤波器公式推导 一、理论基础（详见“概率论与数理统计”与“线性代数”）** 1)方差相关知识 **方差：**衡量随机变量或一组数据离散程度的度量，即随机变量与其数学期望之间的偏离程度，数学表达式为： **均方误差：**反映估计量与被估计量之间差异程度的一种度量，数学表达式为： **均方差（标准差）：**由于方差是数据的平方，与检测值本身相差较大，难以直观衡量，故引入均方差代替方差判断数据...
推导卡尔曼滤波
算法攻城狮
07-25 175
今天详细的推导卡尔曼滤波，后面整理。 参考： 1.https://blog.csdn.net/heyijia0327/article/details/17487467 2.https://blog.csdn.net/heyijia0327/article/details/17487467 3.视觉slam十四讲 ...
自动驾驶 9-1: （线性）卡尔曼滤波器The (Linear) Kalman Filter
AI架构师易筋
12-16 988
欢迎回来。在模块二中，我们将学习最著名的算法之一 在所有工程中；卡尔曼滤波器。 在当今先进的机器学习世界中， 卡尔曼滤波器仍然是一个重要的工具 融合来自多个传感器的测量结果 实时估计状态 机器人系统，例如自动驾驶汽车。 在这个模块中，我们将学习一些历史 卡尔曼滤波器并介绍其基本线性公式。 我们将介绍为什么卡尔曼滤波器是 最好的线性无偏估计，然后 通过线性化将线性公式扩展到非线性系统。 讨论这种线性化方法的局限性，最后， 提出一种现代的替代方案 通过无味变换线性化。 在本课结束时...
卡尔曼滤波的理解以及推导过程
热门推荐
Dang_boy的博客
11-01 1万+
针对的系统为： 状态方程       X(k)=AX(k-1)+Bu(k-1)+W(k-1) 测量方程       Z(k)=HX(k)+V(k)                         0 W是状态预测的噪声 符合正态分布N(0,Q) V 是测量的噪声     符合正态分布N(0,R) 理解： 一般测量值Z(k)为外界提供，大概是采用一种不同的方式去获取同一个目标值（值不一定...
通过简单直观的推导理解卡尔曼滤波器的基础（英文版）
04-17
在理论上，卡尔曼滤波器是线性动态系统中进行精确推理的算法，可以被看作是一种与隐马尔可夫模型类似的贝叶斯模型，但它所涉及的潜在变量的状态空间是连续的，并且所有潜在和观测变量都遵循高斯分布。 卡尔曼滤波器...
线性离散卡尔曼滤波器.doc
10-12
在离散线性卡尔曼滤波器的直觉推导中，系统模型通常表述为一个线性状态方程和观测方程。状态方程描述了系统状态随时间的演变，而观测方程则表示如何通过传感器获取系统状态的信息。过程噪声和观测噪声通常假设为零...
卡尔曼滤波之线性滤波，标量滤波
guguizi的专栏
06-21 3582
对于Kalman 滤波相信大多数人都听过这么个例子： 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的， 也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位） 。假设 你对你的经验不是 100% 的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪 声（ White Gaussian Noise ） ，也就是这些偏差跟前
【自动驾驶】学习卡尔曼滤波（一）——线性卡尔曼滤波
weixin_42301220的博客
05-06 4736
文章目录参考资料1. 基本概念1.1 先验概率和后验概率1.2 贝叶斯公式2. 卡尔曼滤波推导 参考资料 如何使用卡尔曼滤波（Kalman Filtering）实现对物体运动轨迹的预测？ 卡尔曼滤波与目标追踪 1. 基本概念 卡尔曼滤波（Kalman filtering, KF）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。 卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列中预测出物体的坐标位置及速度。在很多工程应用（雷达、计算机视觉）中都
卡尔曼滤波器（Kalman filtering）
Hi_wangtao的博客
08-20 5775
卡尔曼滤波器 本文主要参考该视频，在此对vic_wu表示感谢。 卡尔曼滤波器，又叫做最佳线性滤波器，它的好处有很多，比如说实现简单，而且又是一个纯时域的滤波器，不需要进行频域变换，所以在工程上有很多应用。 假设有一辆汽车在路上行驶，我们用它的位置和速度来表示他当前的状态，写成矩阵形式： 就是X(t)等于1个二维的列向量。这个向量里面的两个元素，就是汽车的两个状态。一个是位置P和速度...
卡尔曼滤波器原理简介
Aromash的博客
06-16 1万+
引用知乎中的一段话：“PID和卡尔曼滤波乃是控制工程师的两大法宝。几十年过去了卡尔曼滤波在理论研究上仍然保持着活跃，研究方向包括各种非线性的，噪声统计参数未知的自适应和鲁棒滤波。更重要的是现在计算机的发展将其推向了实用化，包括各种位姿估计，多传感器信息融合，车辆导航等。” 这足以看出卡尔曼滤波在控制领域中的重要性，而本篇博客就来简要地分析一下卡尔曼滤波器的基本原理。 卡尔曼滤波器 首先，我们可以用...
贝叶斯滤波（五）卡尔曼滤波算法推导
wongkingkeng的博客
06-16 3352
一、回顾贝叶斯滤波 1. 贝叶斯滤波算法到卡尔曼滤波 根据贝叶斯滤波（三）贝叶斯滤波算法推导 我们把贝叶斯滤波推导的结论写出来： ，其中。 我们把替代式中广义积分那一项，我们叫做的先验： 则， 一般我们求解其实也就是分两步求解： 第一步便是求解， 第二步就是求解。 我们通常把第一步的求解成为预测步，第二步称为更新步，其实也很好理解，预测步也就是求解先验，更新步求解出来的结果也就是后验了。 假设都服从高斯分布的话，那么这就是人...
从贝叶斯估计到卡尔曼滤波(详细推导)(下)
Shen_KL的博客
05-29 892
文章目录二.高斯加权分布的多维积分运算1.第一章总结2.修正卡尔曼滤波器更新方程的推导过程3.高斯密度下贝叶斯点预测的积分运算三.线性卡尔曼滤波器1.线性状态方程2.线性观测方程3.总结尾声 承接上文 从贝叶斯滤波到卡尔曼滤波器(详细推导)(上) 二.高斯加权分布的多维积分运算 1.第一章总结 现在我们针对上一章中的重要结果做一个简单回顾与总结。 我们假设在一个动态过程，其形式满足下式 xn=fn−1(xn−1)+un+vn−1(42)x_{n}=f_{n-1}(x_{n-1})+u_{n}+v_{n-1
通俗理解协方差
ankuai2015的博客
11-10 583
协方差表示两个变量同向或反向的程度，协方差为正，说明X,Y同向变化，协方差越大说明同向程度越高，协方差为负，说明 X,Y反向运动，协方差越小说明反向程度 越高， https://www.zhihu.com/question/20852004 cov(x,y)=E[(x-ux)(y-uy] 转载于:https://www.cnblogs.com/xqnq2007/p/78163...
详解贝叶斯与卡尔曼滤波(KF)的姻缘
马踏飞燕
03-17 4227
1. 条件概率：假定已经知道Y的值是y，想知道基于以上事实条件X为x概率，这样的概率表示为p(x| y)= p(X=x | Y=y) 成为条件概 率。如果p（y）>0,则条件概率定义为 全概率： 2.贝叶斯滤波算法： 其中第3行是控制更新，第4行是状态更新。bel代表的是置信度，整个过程是一个迭代的过程。 这一算法的实现需要三个概率： 初始置信度，测...
卡尔曼滤波器推导 csdn
最新发布
09-16
卡尔曼滤波器是一种用于估计系统状态的递归滤波器，其目标是通过对测量数据进行加权对比，提供精确且稳定的状态估计。它通过结合系统模型和传感器测量信息，持续更新状态估计，并根据测量误差和系统动态特性进行自适应调整。卡尔曼滤波器的推导主要基于以下步骤： 1. 建立系统模型：首先，需要确定系统的线性状态空间模型。该模型由状态转移方程和测量方程构成。状态转移方程描述系统状态如何从一个时刻传递到下一个时刻，而测量方程描述系统状态如何与传感器测量值相关联。 2. 初始化状态估计：在滤波器的开始阶段，需要初始化状态估计。通常根据系统的先验信息和观测数据进行初始化。 3. 预测步骤：通过状态转移方程和状态估计值进行状态预测。这一步骤利用系统动态特性进行状态的时间更新。 4. 更新步骤：将测量数据与预测的状态进行比较，通过卡尔曼增益将测量值的误差修正到状态估计中。卡尔曼增益由系统动态特性和测量误差共同决定。 5. 调整状态估计：根据测量值的精度和系统的动态特性，对估计的状态进行优化。这一步骤利用测量数据对状态进行空间更新。 6. 循环迭代：将预测步骤和更新步骤连续进行，实现持续的状态估计和滤波。 通过以上步骤，卡尔曼滤波器能够在实时的系统状态估计问题中提供准确和稳定的解决方案。它已广泛应用于各种领域，如航空航天、导航、机器人、自动驾驶等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值