卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器), 它能够从一系列的不完全包含噪声的测量(英文:measurement)中,估计动态系统的状态,然而简单的卡尔曼滤波必须应用在符合高斯分布的系统中。
百度百科是这样说的,也就是说卡尔曼滤波第一是递归滤波,其次KF用于线性系统。
但经过研究和改进,出现了很多卡尔曼,如EKF(extended kalman filter)扩展卡尔曼,UKF(Unscented Kalman Filter)无迹卡尔曼等等。
而我们就来研究EKF,而EKF的中心思想就是将非线性系统线形化后再做KF处理。
状态方程
当我们从最简单的系统开始,我们假定k时刻的系统状态与k-1时刻有关,于是我们可以得到方程:
其中a为常量,但是当系统内部有噪声,我们称为过程噪声 ,计为w。所以方程可以写成:
而我们实际观测的时候会出现观测噪声,于是我们将观测值计为Z,观测噪声为v,那我们可以把k时刻的观测值与系统状态值写成方程:
于是最简单的系统状态方程就有啦。
卡尔曼滤波算法核心思想在于预测+测量反馈,它由两部分组成,第一部分是 线性系统状态预测方程,第二