1.数据融合
用两个工具测量某物体重量的结果分别为30g
,32g
,这两种工具的测量标准差分别为2g
,4g
,请估计该物体的真实值。
最终得到该物体的估计值为30.4g,标准差为1.79。
以上就是数据融合。
下面以一个简单的弹簧振子的状态空间表达形式为例:
以下是状态空间表达式:
上面的状态空间表达式是连续时间的,下面是离散时间的状态空间表达式:
X
k
X_k
Xk是状态变量,A是状态矩阵,B是控制矩阵,
u
k
u_k
uk是控制。
世界中充满着不确定性:
比如模型不准确,我们就添加一个过程噪音
;
比如测量不准确,是在测量当中产生的,我们就添加一个测量噪声
。
在上面两个结果(计算结果和测量结果)都不确定的情况下,如何去估计
X
k
^
\hat{X_k}
Xk^呢?
这就是卡尔曼滤波器
需要解决的问题。即,通过不太准的计算结果和不太准的测量结果,估算出一个比他们俩误差都要小的值。
我们一般会假设过程噪声
和测量噪声
都符合正态分布
。
2.协方差
关于协方差,参考到另一篇博客:协方差矩阵、方差、矩阵运算公式