卡尔曼滤波(KF)
python实现:
import numpy as np
F = np.array([[1, 1], [0, 1]]) # 状态转移矩阵 X(k+1)=[[1, Δt], [0, 1]]*X(k) Δt=1
Q = 0.1 * np.eye(2, 2) # 过程噪声协方差矩阵
R = 0.1 * np.eye(2, 2) # 观测噪声协方差矩阵
H = np.eye(2, 2) # 状态观测矩阵
if __name__ == "__main__":
X0 = np.array([[0], [1]]) # 初始位置与速度 X(k)=[X, X']
X_true = np.array(X0) # 真实状态初始化
X_posterior = np.array(X0) # 上一时刻的最优估计值
P_posterior = np.eye(2, 2) # 继续更新最优解的协方差矩阵
for i in range(10):
# 生成真实值
w = Q @ np.random.randn(2, 1) # 生成过程噪声
X_true = F @ X_true + w # 得到当前时刻实际的速度值和位置值
# 生成观测值
v = R @ np.random.randn(2, 1) # 生成观测噪声
Z_measure = H @ X_true + v # 生成观测值,H为单位阵
# 进行先验估计
X_prior = F @ X_posterior
# 计算状态估计协方差矩阵P
P_prior = F @ P_posterior @ F.T + Q
# 计算卡尔曼增益
K = P_prior @ H.T @ np.linalg.inv(H @ P_prior @ H.T + R)
# 后验估计
X_posterior = X_prior + K @ (Z_measure - H @ X_prior)
# 更新状态估计协方差矩阵P
P_posterior = (np.eye(len(X_posterior)) - K @ H) @ P_prior
print(X_true.T, X_posterior.T)
C++实现:
#include <iostream>
#include <Eigen/Dense>
int main(int argc, char* argv[])
{
Eigen::Matrix2f F;
F << 1, 1, 0, 1;
Eigen::Matrix2f Q = 0.1 * Eigen::Matrix2f::Identity();
Eigen::Matrix2f R = 0.1 * Eigen::Matrix2f::Identity();
Eigen::Matrix2f H = Eigen::Matrix2f::Identity();
Eigen::Vector2f X0;
X0 << 0, 1;
Eigen::Vector2f X_true = X0;
Eigen::Vector2f X_posterior = X0;
Eigen::Matrix2f P_posterior = Eigen::Matrix2f::Identity();
for (size_t i = 0; i < 10; i++)
{
Eigen::Vector2f w = Q * Eigen::Vector2f::Random();
X_true = F * X_true + w;
Eigen::Vector2f v = R * Eigen::Vector2f::Random();
Eigen::Vector2f Z_measure = H * X_true + v;
Eigen::Vector2f X_prior = F * X_posterior;
Eigen::Matrix2f P_prior = F * P_posterior * F.transpose() + Q;
Eigen::Matrix2f K = P_prior * H.transpose() * (H * P_prior * H.transpose() + R).inverse();
X_posterior = X_prior + K * (Z_measure - H * X_prior);
P_posterior = (Eigen::Matrix2f::Identity() - K * H) * P_prior;
std::cout << "X_true: " << X_true.transpose() << " X_posterior: " << X_posterior.transpose() << std::endl;
}
return EXIT_SUCCESS;
}
增广卡尔曼滤波(EKF)
python实现:
import numpy as np
from math import sin, cos
Q = 0.1 * np.eye(3, 3)
R = 0.1 * np.eye(2, 2)
H = np.array([[1, 0, 0], [0, 1, 0]])
def f(x, u):
F = np.eye(3, 3)
B = np.array([[0.1 * cos(x[2, 0]), 0], [0.1 * sin(x[2, 0]), 0], [0.0, 0.1]])
x = F @ x + B @ u
return x
if __name__ == '__main__':
X0 = np.zeros((3, 1))
X_True = X0
X_posterior = X0
P_posterior = np.eye(3, 3)
u = np.array([[10], [1]])
for i in range(10):
X_True = f(X_True, u)
Z_measure = H @ X_True + R @ np.random.randn(2, 1)
# 预测
X_prior = f(X_posterior, u)
v = u[0, 0]
F = np.array([[1.0, 0.0, -0.1 * v * sin(X_posterior[2, 0])], [0.0, 1.0, 0.1 * v * cos(X_posterior[2, 0])], [0.0, 0.0, 1.0],])
P_prior = F @ P_posterior @ F.T + Q # 预测方差
# 更新
K = P_prior @ H.T @ np.linalg.inv(H @ P_prior @ H.T + R ) # 卡尔曼增益
X_posterior = X_prior + K @ (Z_measure - H @ X_prior) # 最优估计
P_posterior = (np.eye(len(X_posterior)) - K @ H) @ P_prior # 最优估计方差
print(X_True.T, X_posterior.T)
C++实现:
#include <iostream>
#include <Eigen/Dense>
Eigen::VectorXf f(Eigen::VectorXf x, Eigen::VectorXf u)
{
Eigen::MatrixXf F = Eigen::MatrixXf::Identity(3, 3);
Eigen::MatrixXf B(3, 2);
B << 0.1 * cos(x(2)), 0, 0.1* sin(x(2)), 0, 0, 0.1;
x = F * x + B * u;
return x;
}
int main(int argc, char* argv[])
{
Eigen::MatrixXf Q = 0.1 * Eigen::MatrixXf::Identity(3, 3);
Eigen::MatrixXf R = 0.1 * Eigen::MatrixXf::Identity(2, 2);
Eigen::MatrixXf H(2, 3);
H << 1, 0, 0, 0, 1, 0;
Eigen::VectorXf X0 = Eigen::VectorXf::Zero(3, 1);
Eigen::VectorXf X_true = X0;
Eigen::VectorXf X_posterior = X0;
Eigen::MatrixXf P_posterior = Eigen::MatrixXf::Identity(3, 3);
Eigen::VectorXf u(2, 1);
u << 10, 1;
for (size_t i = 0; i < 10; i++)
{
X_true = f(X_true, u);
Eigen::VectorXf Z_measure = H * X_true + R * Eigen::VectorXf::Random(2, 1);
Eigen::VectorXf X_prior = f(X_posterior, u);
float v = u(0);
Eigen::MatrixXf F(3, 3);
F << 1.0, 0.0, -0.1 * v * sin(X_posterior(2)), 0.0, 1.0, 0.1* v * cos(X_posterior(2)), 0.0, 0.0, 1.0;
Eigen::MatrixXf P_prior = F * P_posterior * F.transpose() + Q;
Eigen::MatrixXf K = P_prior * H.transpose() * (H * P_prior * H.transpose() + R).inverse();
X_posterior = X_prior + K * (Z_measure - H * X_prior);
P_posterior = (Eigen::MatrixXf::Identity(3, 3) - K * H) * P_prior;
std::cout << "X_true: " << X_true.transpose() << " X_posterior: " << X_posterior.transpose() << std::endl;
}
return EXIT_SUCCESS;
}
参考:
【硬核总结】从基础卡尔曼滤波到互补卡尔曼滤波
扩展卡尔曼滤波(EKF)理论讲解与实例(matlab、python和C++代码)
常见滤波汇总(KF、EKF、UKF和PF)