卡尔曼滤波

最新推荐文章于 2023-10-17 15:32:35 发布

jasonxu666

最新推荐文章于 2023-10-17 15:32:35 发布

阅读量209

点赞数

本文链接：https://blog.csdn.net/qq_42412214/article/details/116144079

版权

这篇文章及后面小车的例子非常好：

https://blog.csdn.net/qlexcel/article/details/103919270

关于小车代码下面将的更详细些：

https://blog.csdn.net/sinat_16643223/article/details/115550648

注意1：状态矩阵 $\begin{bmatrix} Angle\\ Q\_bias \end{bmatrix}\displaystyle \displaystyle$ ，Angle是小车角度，Q_bias陀螺仪角速度的零偏，而不是陀螺仪角速度。陀螺仪角速度Gyro是作为控制量输入的。

注意2：Angle和Q_bias的卡尔曼增益 $Kg = \begin{bmatrix} K\_angle\\ K\_bias \end{bmatrix}$

文中使用了简化的表达，以下使用H的二维矩阵形式解释：

根据H的定义，由于角度计只测量了angle，bias没有测量，所以 $\begin{bmatrix}u_{angle}\\0\end{bmatrix}\;=\;\begin{bmatrix}1&0\\0&0\end{bmatrix}\begin{bmatrix}angle\\0\end{bmatrix}$ ，其中 $H\;=\;\begin{bmatrix}1&0\\0&0\end{bmatrix}$

$\begin{array}{rcl}Kg(k)\;&=&\;\frac{\begin{bmatrix}P_{00}&P_{01}\\P_{10}&P_{11}\end{bmatrix}\begin{bmatrix}1&0\\0&0\end{bmatrix}}{\left(\begin{bmatrix}1&0\\0&0\end{bmatrix}\begin{bmatrix}P_{00}&P_{01}\\P_{10}&P_{11}\end{bmatrix}\begin{bmatrix}1&0\\0&0\end{bmatrix}\;+\begin{bmatrix}R&0\\0&0\end{bmatrix}\right)}\\&&\\&=&\frac{\begin{bmatrix}P_{00}&0\\P_{10}&0\end{bmatrix}}{\begin{bmatrix}P_{00}+R&0\\0&0\end{bmatrix}}\\&&\\&=&\begin{bmatrix}P_{00}&0\\P_{10}&0\end{bmatrix}\ast\begin{bmatrix}\frac1{P_{00}+R}&0\\0&0\end{bmatrix}\\&&\\\;\;\;&=&\begin{bmatrix}\frac{P_{00}}{P_{00}+R}&0\\\frac{P_{10}}{P_{00}+R}&0\end{bmatrix}\end{array}$

先验概率和后验概率：

个人理解是：

先验概率是以全事件为背景下,A事件发生的概率，P(A|Ω)。

后验概率是以新事件B为背景下,A事件发生的概率， P(A|B)。

全事件一般是统计获得的，所以称为先验概率，没有实验前的概率。

新事件一般是实验，如试验B，此时的事件背景从全事件变成了B，该事件B可能对A的概率有影响，那么需要对A现在的概率进行一个修正，从P(A|Ω)变成 P(A|B)，

所以称 P(A|B)为后验概率，也就是试验(事件B发生)后的概率。

本文中小车的例子，根据上一时刻状态和陀螺仪数据得到的分布为先验估计，经过角度计修正后的分布为后验估计。

为了很好的说明这个问题，在这里举一个例子：

玩英雄联盟占到中国总人口的60%，不玩英雄联盟的人数占到40%：

为了便于数学叙述，这里我们用变量X来表示取值情况，根据概率的定义以及加法原则，我们可以写出如下表达式：

P(X=玩lol)=0.6；P(X=不玩lol)=0.4，这个概率是统计得到的,或者你自身依据经验给出的一个概率值，我们称其为先验概率(prior probability)；

另外玩lol中80%是男性，20%是小姐姐,不玩lol中20%是男性，80%是小姐姐,这里我用离散变量Y表示性别取值，同时写出相应的条件概率分布：

P(Y=男性|X=玩lol)=0.8，P(Y=小姐姐|X=玩lol)=0.2

P(Y=男性|X=不玩lol)=0.2，P(Y=小姐姐|X=不玩lol)=0.8

那么我想问在已知玩家为男性的情况下，他是lol玩家的概率是多少：

依据贝叶斯准则可得：

P(X=玩lol|Y=男性)=P(Y=男性|X=玩lol)*P(X=玩lol)/

[ P(Y=男性|X=玩lol)*P(X=玩lol)+P(Y=男性|X=不玩lol)*P(X=不玩lol)]

最后算出的P(X=玩lol|Y=男性)称之为X的后验概率，即它获得是在观察到事件Y发生后得到的。

jasonxu666

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
卡尔曼滤波

这篇文章及后面小车的例子非常好：https://blog.csdn.net/qlexcel/article/details/103919270关于小车代码下面将的更详细些：https://blog.csdn.net/sinat_16643223/article/details/115550648注意1：状态矩阵，Angle是小车角度，Q_bias陀螺仪角速度的零偏，而不是陀螺仪角速度。陀螺仪角速度Gyro是作为控制量输入的。注意2：Angle和Q_bias的卡尔曼增益..
复制链接

扫一扫