【卡尔曼滤波器】1_前提基础

CAN博士学习笔记
【卡尔曼滤波器】_Kalman Filter_全网最详细数学推导

递归算法

卡尔曼滤波是一种最优化递归数字处理算法（Optimal Recursire Data Processing Algorithm）。
通常用于导航算法，处理一些不确定性的事物预测

递归算法的开始其实是找测量的平均值来估算真实值，通过算数推导可以发现此刻的状态（${\tilde{x}}_k$）可以用上一时刻的状态（${\tilde{x}}_{k-1})$）和当前测量的状态($Z_k$)来表示。

数据融合思想

下面给出$K_k$公式推导，先从一个例题开始：

有两个秤用来称同一个物体，第一个称得物体重30g，它的标准差是2g，第二个称得物体重32g，它的标准差是4g，而且这两个误差都是符合正态分布（也叫高斯分布）的，也就是说，根据第一个秤测量结果我们可以的出结论，该物体的重量在28g~32g间的概率为68.4%。（28=$Z_1$-${\sigma }_1$）,根据两个秤的测量，我们得到两个正态分布曲线，通常情况下我们认为真实值就是在这两个值之间，但是如果我们用数学的方法给出一个最优估计值，我们就需要使用前面我们用到的卡尔曼增益K，
计算一个K使得 ${\sigma }_z$ 最小，既方差最小，它的方差可以表现为以下式子，最后推导得出$${{\sigma }_z}^2=(1-k{)}^2{{\sigma }_1}^2+k^2{{\sigma }_2}^2$$
将${{\sigma }_z}^2$对k求导,等于0，求其最小值，可得
$$k=\frac{{\sigma }_1^2}{{\sigma }_1^2+{\sigma }_2^2}=0.2$$
将K、${\sigma }_1$、${\sigma }_2$带入原式可得方差和标准差

协方差矩阵

协方差矩阵是方差和协方差在一个矩阵中表现出来，表示变量间的联动关系，用一个例子来说明，下面的$P$就是协方差矩阵。
后面为了编程我们会用到一个过渡矩阵$a$,我们看后半部分是一个1矩阵（注意不是单位矩阵）乘以它本身，计算我们就发现，$a$矩阵就是前面矩阵减去它的平均值，而$P=\frac{1}{3}{a}^{T}a$

状态空间方程

用向量的形式表达，既状态空间方程

当我们拥有一个不太准的计算结果和一个不太准的测量结果，来获得一个误差比它俩相对小的结果。卡尔曼滤波就是解决此类问题的