初识卡尔曼滤波

卡尔曼滤波

---

前言

卡尔曼滤波（Kalman filtering）是一种利用 线性系统 状态方程，通过系统输入输出观测数据，对 系统状态 进行最优估计的算法。 由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是 滤波 过程。 数据滤波是去除 噪声 还原真实数据的一种 数据处理 技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。 由于它便于计算机 编程 实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。

一、什么是卡尔曼滤波

看这幅图，假如我们要的数据是5M，但是测算出来的距离为红线对应的距离，这个很乱我们是用不了的，经过滤波后我们得到了紫色线对应的曲线，这个误差很小。这便是卡尔曼滤波。

只要是存在不确定信息的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。因此卡尔曼滤波非常适合不断变化的系统，它的优点还有内存占用较小（只需保留前一个状态）、速度快，是实时问题和嵌入式系统的理想选择。

二、适用系统

线性高斯系统

1.线性系统

线性系统满足两个特性：叠加性、齐次性

叠加性

齐次性

2.高斯系统

噪声满足正态分布

3.宏观意义

可能大家都知道低通滤波，将噪声直接消除，卡尔曼滤波呢，估计值×一个数+观测值×一个数得到一个最佳修正值。

总结

卡尔曼滤波到底是干嘛的呢，看下面这个例子
你已经建造了一个可以在树林里闲逛的小机器人，机器人需要确切地知道它在哪里，以便它可以导航。

我们会说我们的机器人有一个状态xk，这只是一个位置和一个速度：

请注意，状态只是有关系统基础配置的数字列表;它可以是任何东西。在我们的示例中，它是位置和速度，但它可以是有关油箱中液体量，汽车发动机温度，用户手指在触摸板上的位置或您需要跟踪的任何数量的数据。

我们的机器人还有一个GPS传感器，精确到10米左右，这很好，但它需要比10米更精确地知道它的位置。这些树林里有很多沟壑和悬崖，如果机器人错了几英尺，它可能会从悬崖上掉下来。因此，GPS本身还不够好。

我们可能还知道机器人是如何移动的：它知道发送到车轮电机的命令，并且知道如果它朝一个方向前进并且没有任何干扰，那么在下一刻，它可能会沿着同一方向走得更远。但是，它当然不知道它的运动：它可能会受到风的冲击，车轮可能会打滑一点，或者在颠簸的地形上翻滚;因此，车轮转动的量可能并不完全代表机器人实际行驶的距离，并且预测也不会完美。

GPS传感器告诉我们一些关于状态的信息，但只是间接的，并且有一些不确定性或不准确性。我们的预测告诉我们一些关于机器人如何移动的东西，但只是间接的，并且有一些不确定性或不准确性。

但是，如果我们使用所有可用的信息，我们能否得到比任何一种估计本身都更好的答案？当然，答案是肯定的，这就是卡尔曼滤波器的用途。