关于线性卡尔曼滤波详细讲解（一）

因为我是做无人机，无人车和无人船这方面的，所以对于数据的处理是离不开滤波的，可能有些人觉得数据能用就行，干嘛要费劲去处理数据，但是一个好的数据会让你的设备更加稳定甚至对你的控制会更加精确。 我们先来说一下什么是滤波，说白了就是对信号（观测量）进行处理，因为我们的观测量中会存在各种噪声，可能是电机振动产生的高频噪声，或者是由于设备本身有着测量噪声，那么这些噪声对于我们的一个精确控制是有着很大影响的，那么我们就要用滤波去抑制无用信号，增强有用信号的数字信号处理过程==，现在有着各种滤波存在，比如说低通滤波，滑动均值滤波，互补滤波，卡尔曼滤波（KF），扩展卡尔曼滤波（EKF）等。 无用信号就是噪声，是指观测数据对系统没有贡献或者起干扰作用的信号，在通信里，无用信号一般表现为特定波段频率、杂波；在传感器中，无用信号表现为幅度干扰。其实噪声就是一个随机过程，而随机过程有其功率谱密度函数，如果这些干扰信号幅度分布服从高斯分布，而他的功率谱密度又是均匀分布的，则称它为高斯白噪声。 书归正传，kalman最初提出的滤波基本理论只适用于线性系统，并且要求观测方程也必须是线性的，这次我们是用Matlab去仿真一个温度的卡尔曼滤波过程，matlab的基本操作我在这里就不去说了，可以自己去学习一下。在许多工程实践中，往往不能直接得到所需要的状态变量的真实值。比如雷达在探测空中目标的时候，根据反射波等信息能算出目标的距离，但是雷达探测过程中存在随机干扰的问题，导致在观测得到的信号中往往夹杂有随机噪声，我们要从夹杂有随机噪声的观测信号中分离出飞机或者导弹的运动状态量，要准确地得到所需的状态变量是不可能，只能根据观测信号来估计或预测这些状态的量。kalman滤波器就可以有效降低噪声影响的利器，在线性系统中，kalman滤波是最优滤波器。

卡尔曼的5个公式是最核心的， 两个预测，三个更新，分别为状态预测、协方差矩阵预测、状态更新、协方差矩阵更新和滤波增益。如图所示：



这些都是在假设观测噪声和白噪声为零的情况下的， 在式子中，Φ称为状态转移矩阵，H称为观测矩阵， τ（tao）称为噪声驱动矩阵，状态预测方程式根据在k-1时刻的状态估计预测k时刻状态的方法，增益系数是对这种预测的质量优劣做了定量描述。从时间的推移过程看，这两个公式将时间从k-1时刻推进至k时刻，其余各式用来计算对时间更新至的修正量，该修正量由时间更新的质量优劣（P（k|k-1））、观测信息的质量优劣（R）、观测与状态的关系H以及具体的观测信息Y（k）。有耐心的话可以详细的查找一下相关的公式推导。


抛去假设，实际中我们的观测值是有噪声的，也就是传感器自身测量时产生的噪声，还有一个对于真实值的一个噪声。


那么原理大概知道了就要看实际应用中怎么去运用这5个公式了，在下一篇文章中我会结合代码去分析。