以下图片是研一机器视觉课程上做的ppt报告,这里作为总结正好。
有关多传感器融合定位(KF+EKF)具体代码的可参考相关博客。
目录
一、Kalman Filter
1、前言
1、两个传感器测量同一个信号,为了减小误差我们可以采用取平均的方式,进一步的我们采用加权平均(由方差大小分配),加权平均是一种静态分配方式。方差是随外界环境而变的,加权值也应该随之改变,这就是卡尔曼滤波出现的原因,它是一种动态更新加权值,不断迭代的算法。卡尔曼是对模型预测值以及传感器观测值加权平均,模型只有一个步长,x(k-1)得到x(k),其中x(k-1)是上一时刻卡尔曼得到最优值。
2、对象:线性高斯模型,这个模型最好的地方在于两个高斯分布的乘积仍然是一高斯分布,由此实现模型的动态迭代。
3、本质:参数化的贝叶斯模型。先验估计:对下一时刻系统初步状态估计;结合先验估计以及测量反馈,得到后验估计。
4、应用:最优化自回归数据处理算法、机器人导航、雷达系统、图像处理等