卡尔曼滤波器学习心得

轻松理解卡尔曼滤波这篇博客以及这篇中,作者写得通俗易懂,但是我有一个地方一直不明白,想了一天,总算是明白了。
就是下面这两个公式
H k X ^ k ′ = H k X ^ k + K ( Z k − H k X ^ k ) H_{k}\hat{X}_{k}^{'} = H_{k}\hat{X}_{k} + K(Z_{k}-H_{k}\hat{X}_{k}) HkX^k=HkX^k+K(ZkHkX^k) H k P k ′ H k T = H k P k H k T − K H k P k H k T H_{k}P_{k}^{'}H_{k}^{T} = H_{k}P_{k}H_{k}^{T} - KH_{k}P_{k}H_{k}^{T} HkPkHkT=HkPkHkTKHkPkHkT其中的左边不知为何要添加 H k H_{k} Hk,后来想明白,我搞混了最优状态估计值和最优观测估计值,我们的目标是求得状态得最优估计,但是实际上我们只能得到最优观测(或者说叫最优测量)值,也就是 H k X ^ k ′ H_{k}\hat{X}_{k}^{'} HkX^k
观测值有两个高斯分布( Z k Z_{k} Zk H k X ^ k ) H_{k}\hat{X}_{k}) HkX^k))互相影响,原博客取它们之积,即一个新的高斯分布,作为最终的观测值的高斯分布,这也可以叫做最优观测值,然后我们才能从最优观测值反推最优状态值,也就是 X ^ k ′ \hat{X}_{k}^{'} X^k,我们要的也是最优状态值去进行下一步迭代。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卡尔曼滤波器学习笔记(二) 在上一篇笔记中,我们介绍了卡尔曼滤波器的基本原理和数学模型。现在,让我们继续深入学习卡尔曼滤波器的实际应用。 1. 状态方程(State Equation): 卡尔曼滤波器的核心是状态方程,描述系统的状态如何随时间变化。通常表示为x(k+1) = A * x(k) + B * u(k) + w(k),其中x(k)表示系统在时刻k的状态,A是状态转移矩阵,u(k)表示输入,B是输入矩阵,w(k)表示过程噪声。 2. 观测方程(Measurement Equation): 观测方程描述了系统状态与观测值之间的关系。通常表示为z(k) = H * x(k) + v(k),其中z(k)表示观测值,H是观测矩阵,v(k)表示观测噪声。 3. 卡尔曼增益(Kalman Gain): 卡尔曼增益决定了如何将先验估计与观测值相结合,得到更准确的后验估计。卡尔曼增益的计算公式为K(k) = P(k|k-1) * H^T * (H * P(k|k-1) * H^T + R)^-1,其中P(k|k-1)表示先验误差协方差矩阵,R表示观测噪声的协方差矩阵。 4. 预测步骤(Prediction Step): 预测步骤用于根据系统的模型预测下一时刻的状态和误差协方差矩阵。预测步骤的计算公式为x(k+1|k) = A * x(k|k) + B * u(k),P(k+1|k) = A * P(k|k) * A^T + Q,其中x(k|k)表示先验估计,P(k|k)表示先验误差协方差矩阵,Q表示过程噪声的协方差矩阵。 5. 更新步骤(Update Step): 更新步骤用于根据观测值修正先验估计,得到后验估计和后验误差协方差矩阵。更新步骤的计算公式为x(k+1|k+1) = x(k+1|k) + K(k+1) * (z(k+1) - H * x(k+1|k)),P(k+1|k+1) = (I - K(k+1) * H) * P(k+1|k),其中x(k+1|k+1)表示后验估计,P(k+1|k+1)表示后验误差协方差矩阵,K(k+1)表示卡尔曼增益。 以上就是卡尔曼滤波器的基本概念和计算步骤。在实际应用中,我们需要根据具体问题来确定状态方程、观测方程和相关参数。卡尔曼滤波器的优势在于可以有效地处理噪声和不确定性,广泛应用于目标跟踪、导航、机器人等领域。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值