控制算法
文章平均质量分 90
Control理论、算法、系统
RuiH.AI
学习ing
展开
-
最小二乘系统辨识课 中篇:递归最小二乘
本篇记录系统辨识课中的递归最小二乘原理。如下的系统辨识模型:{y(1)=φT(1)θ+v(1)y(2)=φT(2)θ+v(2)...y(t)=φT(t)θ+v(t)设:Yt=[y(1)y(2)...y(t)]THt=[φ(1)φ(2)...φ(t)]TVt=[v(1)v(2)...v(n)]T有:Yt=Htθ+Vt\left \{\begin{aligned}y(1)&=\varphi^T(1)\theta+v(1) \\y(2)&=\varphi^T(2)\theta+v(2) \\&...原创 2022-06-23 10:57:44 · 1145 阅读 · 1 评论 -
最小二乘系统辨识课 上篇:辨识模型与最小二乘
电脑再跑程序把CPU占满了,那就回顾一下系统辨识课的内容吧。系统辨识可以分为两类,第一类是系统结构辨识,也就是判断系统属于哪种参数模型。第二类是已知系统结构,估计系统模型的参数。本文总结的是第二类系统辨识的内容。系统辨识的四大要素为:输入输出(已知),模型集合(给定),准则函数(误差函数)和优化方法(各种最小二乘迭代法)。u(t),y(t),v(t)u(t),y(t),v(t)u(t),y(t),v(t)分别表示 t 时刻系统的输出,输入,系统白噪声,白噪声服从高斯分布v(t)∼N(0,σ2)v(t) \s原创 2022-06-20 15:00:47 · 1640 阅读 · 0 评论 -
控制算法学习 四、扩展卡尔曼滤波EKF
控制算法学习 四、扩展卡尔曼滤波EKF前言非线性系统状态/观测方程线性化扩展卡尔曼滤波EKF后记前言经典卡尔曼滤波的使用场景是线性系统,但现实应用时,大多数系统都是非线性的。扩展卡尔曼滤波(Extended Kalman Filter)是针对非线性系统的卡尔曼滤波方法。非线性系统经典卡尔曼滤波的状态和观测方程都是线性方程:xn=Axn−1+Bun+wnzn=Hxn+vnx_n=Ax_{n-1}+Bu_n+w_n \\z_n=Hx_n + v_nxn=Axn−1+Bun+wnzn=H原创 2021-11-07 20:20:45 · 784 阅读 · 0 评论 -
控制算法学习 一、卡尔曼滤波(4)最优估计的无偏性
控制算法学习 一、卡尔曼滤波(4)最优估计的无偏性前言无偏估计卡尔曼滤波的无偏性证明后记前言这是线性卡尔曼滤波的最后一部分内容,即线性卡尔曼滤波的无偏性证明。无偏估计无偏估计,是指对于某个系统而言,对它的状态估计x^n\hat x_nx^n的期望与真实状态xnx_nxn的期望相同,即E(xn−x^n)=0E(x_n-\hat x_n) = 0E(xn−x^n)=0。卡尔曼滤波的无偏性证明假设上一时刻的状态最优估计x^n−1∣n−1\hat x_{n-1|n-1}x^n−1∣n−1是无偏原创 2021-11-05 21:12:04 · 1646 阅读 · 0 评论 -
控制算法学习 一、卡尔曼滤波(3)卡尔曼增益推导
控制算法学习 一、卡尔曼滤波(3)卡尔曼增益推导前言系统建模状态预测最优估计问题卡尔曼增益后记前言前两次卡尔曼滤波,分别写了卡尔曼滤波的两大流程(预测、更新)两个方程五个公式,和卡尔曼滤波与贝叶斯滤波的关系。本次将着重于从概率角度上推导卡尔曼滤波的五个公式,以及卡尔曼增益。系统建模设线性系统状态X=(x1,x2,...…,xn)X=(x_1,x_2,...\dots,x_n)X=(x1,x2,...…,xn),上一时刻的状态最优估计是x^n−1∼N(μ^n−1,P^n−1)\hat x_{n原创 2021-11-05 15:36:39 · 1927 阅读 · 0 评论 -
控制算法学习 一、卡尔曼滤波(2)从贝叶斯的角度
控制算法学习 一、卡尔曼滤波(2)从贝叶斯的角度前言系统建模卡尔曼滤波流程贝叶斯滤波思想将贝叶斯思想应用于系统获得先验概率(预测)获得似然获得后验概率(更新)前言控制算法学习一(1)是以小车为例,推演卡尔曼滤波算法的流程。举例易于理解算法,但如果要真正掌握算法,必须从算法的本质入手进行推导。卡尔曼滤波的本质,就是贝叶斯滤波在高斯过程上处理的特例。系统建模仍然以小车模型为例:xk=Axk−1+Buk−1+wk−1,wk∼[0,Q]zk=Hxk+vk,vk∼[0,R] \begin{aligne原创 2021-11-01 22:19:40 · 391 阅读 · 0 评论 -
控制算法学习 三、贝叶斯滤波(3)移动机器人状态估计
控制算法学习 三、贝叶斯滤波(3)移动机器人状态估计递推前言移动机器人建模建模已知目标移动机器人状态估计后记前言贝叶斯滤波(2)从数学角度上给出了一般系统下的贝叶斯滤波流程。本文将着重于贝叶斯滤波在移动机器人上的应用。移动机器人建模建模假设移动机器人系统(位置,速度)具有马尔可夫性,满足状态方程和观测方程,其有噪状态观测是Z={z1, z2, …,zn}Z=\{ z_1,\ z_2, \ \dots, z_n \}Z={z1, z2, …,zn},上一原创 2021-11-01 17:57:17 · 570 阅读 · 0 评论 -
控制算法学习 三、贝叶斯滤波(2)算法流程
控制算法学习 三、贝叶斯滤波(2)算法流程前言系统建模系统的马尔可夫性贝叶斯滤波过程预测更新贝叶斯滤波的思想前言概率论基础部分已经记录了全概率公式、贝叶斯定理、贝叶斯递推公式。这一部分将快速介绍贝叶斯滤波过程。系统建模假设某系统具有马尔可夫性,其有噪状态观测是Z={z1, z2, …,zn}Z=\{ z_1,\ z_2, \ \dots, z_n \}Z={z1, z2, …,zn},本时刻的观测是znz_nzn,估计本时刻系统的真实状态xnx_nxn原创 2021-10-29 22:19:12 · 485 阅读 · 0 评论 -
控制算法学习 三、贝叶斯滤波(1)概率论基础
控制算法学习 三、贝叶斯滤波前言什么是滤波贝叶斯公式贝叶斯递推关系前言之前先写了卡尔曼滤波,事实上卡尔曼滤波只是贝叶斯滤波的一个特例。现在再来学习一下贝叶斯滤波,并引出从概率观点上的卡尔曼滤波推导。什么是滤波首先要解释一下什么是滤波。字面意思上,滤波就是把噪声过滤掉,但是我们需要一种更加普遍的解释方法,便于进行系统建模。假设某一时刻系统的真实状态为xn为x_n为xn,我们可以通过传感器观测到系统的含噪状态Z={z1,z2,…,zn}Z=\{ z_1, z_2, \dots, z_n \}Z={z原创 2021-10-27 20:52:35 · 260 阅读 · 0 评论 -
控制算法学习 二、PID控制算法
控制算法学习 二、PID控制前言PID算法比例环节P积分环节I微分环节D离散PID位置式PID增量式PID前言PID应该是应用最广泛的控制算法(没有之一)。无人机中的飞控就是基于PID的。PID算法PID——Proportional, Integral, Derivate,就是比例-积分-微分控制。PID的控制公式如下:u(t)=Kpe(t)+Ki∫0te(σ)dσ+Kdde(t)dt\begin{aligned}& u(t)=K_pe(t)+K_i \int_0^t e(\sig原创 2021-10-21 15:01:49 · 1617 阅读 · 0 评论 -
控制算法学习 一、卡尔曼滤波(1)以小车为例
控制算法学习 一、卡尔曼滤波前言线性系统状态方程和观测方程卡尔曼滤波过程前言卡尔曼滤波(Kalman Filter, KF)是最经典的传感器滤波/去噪/估计/预测算法,适用于线性系统的最优状态估计,并且衍生出扩展卡尔曼滤波(EKF)、迭代卡尔曼滤波(IKF),无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)等。本文将非常简单的介绍和推导卡尔曼滤波,加深KF的理解记忆。线性系统什么是线性系统?控制领域中,系统输入输出满足叠加原理(叠加性和齐次性)就是线性系统。一个简单的例子,一维路径上运行的匀速原创 2021-10-20 12:29:41 · 3230 阅读 · 0 评论