卡尔曼滤波器的特殊案例

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

什么是卡尔曼滤波器？

卡阿尔曼滤波器为每个结果状态找到最佳的平均因子。另外，以某种方式保存过去的状态。它针对每个时间范围对变量执行联合概率分布。该算法对每个步骤使用新的均值和新方差，以便计算结果的不确定性，并尝试为测量更新（传感/预测）和运动更新（运动）的每个时间范围提供准确的测量。该算法还使用其他误差和统计噪声来表示初始的不确定性。

卡尔曼滤波器的目的：

• 将来自各种传感器（如LiDAR和Radar跟踪器）的数据输入转换为可用形式。计算和推断速度。

• 减少目标位置和速度的测量误差（噪声）。

• 使用先前的状态估计和新数据预测目标的未来状态。

• 简单，实用和可移植的算法。

• 估计一个连续状态和结果，卡尔曼滤波器给了我们一个单峰分布。

卡尔曼滤波器的工作

卡尔曼过滤为我们提供了一种数学方法，这种方法依据物体的初始位置和相关变量来推断物体之后的运动速度和状态。因此，在这里，我们将创建一个一维卡尔曼滤波器，设置初始位置，结合物体运动的不确定性，来估计物体未来的位置以及运动速度。此外，如果我们想了解卡尔曼滤波器的工作原理，我们首先需要了解一些有关高斯的知识，它代表卡尔曼滤波器中的单峰分布。

高斯是在位置空间上的连续函数，其下面的面积之和最多为1。高斯的特征在于两个参数，平均值，经常缩写为希腊字母μ，高斯的宽度通常被称为方差即σ ²。所以，我们常用平均值和方差来寻找对象的位置，获得最佳估计。另外，宽度越大，不确定性越大。

一维高斯方程

上图表示高斯的均值（μ）和方差（σ²）。平均值（μ）越高，物体在该位置出现的机会就越高。相反，如果方差（σ²）较大，即分布较宽，则该对象的不确定性较高；可以放置在高斯内部的任何位置。

就公式而言，它是二次函数的指数，我们取表达式的指数。我们的查询点x相对于平均值（μ）的二次方差，除以方差（σ²），乘以-（1/2）。现在，如果x =μ，则分子变为0，如果x为0，即1。事实证明，我们必须在2πσ²的平方根上对常数进行归一化处理。

高斯特性