姿态估计(2)—— 扩展卡尔曼滤波(Extended Kalman Filter—EKF)

版权声明:本文为博主原创博文,未经允许不得转载,若要转载,请说明出处并给出博文链接

 

这里主要选取了文章中的部分要点予以展示,有兴趣的可以去看下全文《基于QEKF的四旋翼飞行器姿态估计》。想要进一步了解互补滤波的可以看这里姿态估计(1)——互补滤波(Complementary filter )

                      

                     

捷联惯性导航系统中, 四元数微分方程与角速度的关系,如下式所示 
                       

文章中采用了四阶毕卡逼近算法对离散四元数差分方程进行求解

                   

                    

                          

                        

                      

最后将传感器的原始数据,以及经过QEKF算法估计出来的姿态角进行仿真,也与互补滤波和梯度下降法进行了算法性能对比。

                                                                                      

                                     

  • 10
    点赞
  • 59
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
1.项目代码功能经验证ok,确保稳定可靠运行。欢迎下载使用! 2.主要针对各个计算机相关专业,包括计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 3.项目具有丰富的拓展空间,不仅可作为入门进阶,也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。在使用过程中,如有问题或建议,请及时私信沟通。 5.期待你能在项目中找到乐趣和灵感,也欢迎你的分享和反馈! 【资源说明】 基于EKF扩展卡尔曼滤波的四旋翼无人机姿态估计matlab仿真源码+超详细注释+项目说明.zip 说明:题为作者本科毕业设计的选题,使用EKF(Extended Kalman Filter, 扩展卡尔曼滤波)算法来对四旋翼无人机的姿态进行滤波和估计,姿态包括:俯仰角、滚转角、偏航角的角度值和角速度值。前提:角度值无法直接通过传感器直接测得,角速度值可以测得。 代码说明 - test1.m:一维线性卡尔曼滤波的例子 - jaccsd.m:用于求解EKF算法中的雅克比矩阵 - EKF.m:EKF算法仿真程序 仿真结果 - 说明: - 1.仿真软件采用MATLAB2010b - 2.控制量和姿态角速度值采用随机生成的数据(使用实际数据更好) - 3.仿真过程偶尔会出现错误结果,原因是EKF计算过程中有几率出现奇异矩阵,导致算法无法进行下去
### 回答1: 车辆状态估计是指根据车辆传感器数据和先验信息,通过数学方法推测出车辆当前的状态信息,如位置、速度、方向等。扩展卡尔曼滤波Extended Kalman Filter, EKF)和无迹卡尔曼滤波(Unscented Kalman Filter, UKF)是常用的状态估计算法。 EKF是对卡尔曼滤波算法的扩展,解决了非线性系统的状态估计问题。它通过一系列线性化技术来近似非线性系统,并根据线性化的模型进行滤波。EKF对非线性性能较强,但在高维状态空间或非线性程度较高的系统中计算复杂度较高。 UKF则是对EKF的改进,无需进行系统线性化。它通过一种称为无迹变换(unscented transformation)的方法,通过一组经过特定变换的采样点来近似系统的非线性变换。这种采样方法能够更好地保持状态向量的高斯分布特性,从而提高滤波精度。UKF适用于一些非线性程度较高或状态空间较大的问题,较EKF具有更好的性能和计算效率。 总而言之,扩展卡尔曼滤波EKF)和无迹卡尔曼滤波(UKF)是常用于车辆状态估计的算法。EKF通过线性化非线性系统来进行滤波,适用于中等复杂度的非线性问题。UKF则通过无迹变换来近似非线性变换,适用于非线性程度较高或状态空间较大的问题。根据具体的应用场景和系统特性,选择适当的算法可以提高车辆状态估计的精度和效率。 ### 回答2: 车辆状态估计是指通过利用车辆传感器提供的数据,推测车辆在特定时刻的位置、速度、方向等状态的过程。而扩展卡尔曼滤波Extended Kalman FilterEKF)和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)是常用的车辆状态估计算法。 扩展卡尔曼滤波EKF)是基于卡尔曼滤波的一种改进算法,可以用于非线性系统的状态估计。对于车辆的状态估计,EKF通过对车辆的运动模型和观测模型进行线性化,然后使用卡尔曼滤波的递推公式来进行状态的预测和更新。EKF通过不断迭代预测和更新步骤,逐步优化对车辆状态的估计。 无迹卡尔曼滤波(UKF)是对EKF的一种改进算法,主要解决了EKF由于线性化误差引起的估计误差问题。UKF通过使用一组特定的采样点(称为Sigma点)来代替传统的线性化过程,以更准确地近似非线性系统的状态分布。通过对Sigma点进行预测和更新,UKF能够更好地估计车辆的状态。 总结而言,扩展卡尔曼滤波EKF)和无迹卡尔曼滤波(UKF)都是常用的车辆状态估计算法。它们通过对车辆的运动模型和观测模型进行线性化或者非线性化处理,通过迭代预测和更新的方式,对车辆的状态进行估计。其中,UKF通过使用一组特定的采样点来更准确地估计非线性系统的状态分布,相对于EKF具有更高的精度。 ### 回答3: 车辆状态估计是指对车辆的运动状态进行估计和预测的过程。在车辆动态系统中,状态包括位置、速度、加速度等信息,这些信息对于自动驾驶、智能交通等应用非常重要。 扩展卡尔曼滤波Extended Kalman FilterEKF)是一种基于卡尔曼滤波Kalman Filter)的状态估计方法。EKF通过建立非线性运动方程和测量方程的雅可比矩阵,将非线性系统近似为线性系统进行状态估计。其主要思想是通过使用一阶泰勒展开对非线性方程进行线性化,得到近似的线性方程,然后利用卡尔曼滤波算法进行状态估计。由于EKF是对非线性系统的线性化近似,因此在系统非线性程度较高时,其估计精度可能会有所下降。 无迹卡尔曼滤波(Unscented Kalman Filter,UKF)是对EKF的改进和扩展。UKF通过使用一种特定的变换(无迹变换)将高斯分布转化为一组采样点,并在非线性方程中使用这些采样点来近似非线性函数的传播。无迹变换可以更好地保留非线性函数的特性,从而提高了状态估计的精度。相对于EKF而言,UKF在非线性程度高的情况下表现更加稳定和精确。 总之,EKetF和UkF是两种常用的车辆状态估计方法。EKetF是对非线性系统的线性化近似,而UKF通过无迹变换来更好地保留非线性函数的特性。在车辆状态估计应用中,选择合适的方法取决于系统的非线性程度和对估计精度的要求。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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