卡尔曼滤波总结

Kalman滤波包含两个步骤:

(1)用k-1时刻的最优估计预测k时刻的状态变量:

这里写图片描述

 

  由上式可知,新的最优估计是根据上一最优估计预测得到的,并加上已知外部控制量修正
  而新的不确定性上一不确定预测得到,并加上外部环境的干扰

(2)对k时刻的状态进行观测,观测的状态量是Zk,协方差是Rk。用观测量对预测量进行修正,从而得到k时刻的最优状态估计。

这里写图片描述

其中,矩阵K叫做卡尔曼增益。Hk是指预测值和测量值可能不在一个单位和尺度上,用Hk这个矩阵将其转换到一个单位和尺度上。

由(7)(18)(19)公式可见:卡尔曼滤波是一个递归过程,只需要知道初始时刻的最优值,和它所对应的协方差以及测量值,就可以进行卡尔曼估计了。

 

 

 

 

 

附:下面是公式的推导过程,可以不看:

(推导过程总结自http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/

公式(7)很好理解,一般根据物理公式等等都很容易建模。那么(18)(19)是怎么来的呢?

我们是从预测值和观测值来得到最优估计值的,我们的前提是两个都是有噪声的高斯分布,最优值要么靠近预测值,要么靠近观测值。我们现在就是要在这两个高斯分布区域中找一个最可能。那么这个最可能就是两个分布的重叠部分了。重叠部分怎么来?——将这两个高斯分布相乘就可以了。

这里写图片描述

由此可以得到:

这里写图片描述

继而得到:

这里写图片描述

写成矩阵形式:

这里写图片描述

带入我们的预测值和测量值:

这里写图片描述

这里写图片描述

得到:

这里写图片描述

这里写图片描述

进一步简化便得到(18)(19):

这里写图片描述

 

  • 6
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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