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
扩展卡尔曼滤波(Extended Kalman Filter,EKF)和卡尔曼滤波(Kalman Filter,KF)是两种常用的滤波算法,它们在处理非线性系统时有所不同。 卡尔曼滤波是一种递归滤波算法,用于估计线性系统的状态。它基于系统的动力学模型和观测模型,通过最小化预测状态与观测值之间的误差来估计系统的状态。卡尔曼滤波假设系统的噪声是高斯分布的,并且系统的动力学模型和观测模型都是线性的。因此,卡尔曼滤波在处理线性系统时表现良好。 扩展卡尔曼滤波是对卡尔曼滤波的扩展,用于处理非线性系统。与卡尔曼滤波不同,扩展卡尔曼滤波通过线性化非线性系统的动力学模型和观测模型来近似处理非线性问题。具体而言,扩展卡尔曼滤波使用泰勒级数展开来近似非线性函数,并通过线性卡尔曼滤波来处理近似后的线性系统。这样,扩展卡尔曼滤波可以在一定程度上处理非线性系统,但由于线性化的误差,其性能可能不如卡尔曼滤波在处理线性系统时的表现。 总结一下: - 卡尔曼滤波适用于线性系统,扩展卡尔曼滤波适用于非线性系统。 - 卡尔曼滤波假设系统的动力学模型和观测模型都是线性的,扩展卡尔曼滤波通过线性化非线性系统来近似处理非线性问题。 - 扩展卡尔曼滤波的性能可能不如卡尔曼滤波在处理线性系统时的表现,因为线性化的误差会影响估计结果的准确性。
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