从贝叶斯滤波到卡尔曼滤波

0 前言

卡尔曼滤波（Kalman Filter，KF）以贝叶斯滤波为理论基础，并通过假设状态量随机变量（以下简称状态量）、观测量均服从正态分布，假设过程噪声、观测噪声均服从均值为 0 的正态分布，以及假设状态转移函数和观测函数均为线性函数，实现对连续型随机过程的递推状态估计。简言之，卡尔曼滤波是在贝叶斯滤波框架下求解线性高斯问题。

1 贝叶斯滤波的三大概率密度函数

在此前的文章《从概率到贝叶斯滤波》中，已经讲到贝叶斯滤波的先验概率密度函数、似然概率密度函数和后验概率密度函数：

(1) 先验概率密度函数
$$f_{X_k}^{-}(x)={\int }_{-\infty }^{+\infty }{f}_{Q_k}[x-f(v)]f_{X_{k-1}}^{+}(v)\mathrm{d}v$$

(2) 似然概率密度函数
$$f_{Y_k|X_k}(y_k|x)=f_{R_k}[y_k-h(x)]$$

(3) 后验概率密度函数
$$f_{X_k}^{+}(x)={\eta }_k\cdot f_{R_k}[y_k-h(x)]\cdot f_{X_k}^{-}(x)$$

其中，后验概率密度函数中的归一化常数 ${\eta }_k$ 为：
$${\eta }_k={\left\{{\int }_{-\infty }^{+\infty }{f}_{R_k}[y_k-h(x)]f_{X_k}^{-}(x)\mathrm{d}x\right\}}^{-1}$$

2 卡尔曼滤波的假设

卡尔曼滤波以贝叶斯滤波为理论基础，并作了六个前提假设：

(1) 假设一：状态量服从正态分布
$$X\sim \mathcal{N}({\mu }_X,{\sigma }_X^2)$$

(2) 假设二：观测量服从正态分布
$$Y\sim \mathcal{N}({\mu }_Y,{\sigma }_Y^2)$$

(3) 假设三：过程噪声服从均值为 0 的正态分布
$$Q\sim \mathcal{N}(0,{\sigma }_Q^2)$$

(4) 假设四：观测噪声服从均值为 0 的正态分布
$$Q\sim \mathcal{N}(0,{\sigma }_R^2)$$

(5) 假设五：状态转移函数为线性函数
$$f(X_k)=F\ast X_{k-1}+B\ast u_k$$

其中，$F$ 为状态转移比例项，对于单一状态量的卡尔曼滤波中，$F$ 为一常数；$B$ 为控制比例项，$u_k$ 为控制量，$B$ 和 $u_k$ 的乘积可视为线性状态转移函数中的截距项。在简单的系统中，常常没有控制项 $B$ 和 $u_k$。

(6) 假设六：观测函数为线性函数
$$h(X_k)=H\ast X_k$$

$H$ 为观测比例项，对于单一状态量的卡尔曼滤波中，$H$ 为一常数。

3 卡尔曼滤波的公式推导

3.1 预测步的两个公式

根据假设一，$k-1$ 时刻状态量 $X_{k-1}$ 服从均值为 ${\mu }_{k-1}^{+}$，方差为 ${{\sigma }_{k-1}^{+}}^2$ 的正态分布：
$$X_{k-1}\sim \mathcal{N}({\mu }_{k-1}^{+},{{\sigma }_{k-1}^{+}}^2)$$

X k − 1 X_{k-1}