卡尔曼滤波流程
本文截图来源:
https://en.wikipedia.org/wiki/Kalman_filter
http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/
建模
关于
F
k
F_k
Fk
关于
B
k
和
u
k
B_k和u_k
Bk和uk
预测
首先根据上次状态、运动模型、外部信号预测本次状态和协方差
然后根据观测值更新本次的预测,在跟踪问题中首先进行predict,然后将predict结果和检测结果进行匹配,匹配上的检测就会视为观测值,结合其进行更新操作
关于
H
k
H_k
Hk
跟踪任务中,目标状态包括位置和速度,但是速度是不可观测的,所以需要利用一个观测矩阵进行处理,处理之后的状态信息就和观测信息同维度
关于
S
k
和
y
k
S_k和y_k
Sk和yk
在本文的推导中这些均是中间变量,带入对应表达式即是本文推导结果
如上图所示他们有一定的数学含义,但不在本文讨论中
推导
要点1:两个高斯分布叠加后的高斯分布均值和方差计算方法
要点2:kalman filter的更新过程,可以看做下面两个高斯分布叠加的过程
高斯分布1:
N
(
H
k
x
^
k
∣
k
−
1
,
H
k
P
k
∣
k
−
1
H
T
)
N(H_k\hat{x}_{k|k-1}, H_kP_{k|k-1}H^T)
N(Hkx^k∣k−1,HkPk∣k−1HT)
高斯分布2:
N
(
z
k
,
R
k
)
N(z_k, R_k)
N(zk,Rk)
叠加后的高斯分布:
N
(
H
k
x
^
k
∣
k
,
H
k
P
k
∣
k
)
N(H_k\hat{x}_{k|k}, H_kP_{k|k})
N(Hkx^k∣k,HkPk∣k)