移动平均滤波_卡尔曼滤波（3）-- EKF, UKF

我们上篇提到的卡尔曼滤波是用于线性系统，是在假设高斯和线性动作（预测）和观测模型下进行的，但是现实中并不是这样的。

高斯分布在非线性系统中的传递结果将不再是高斯分布，通过局部线性来解决非线性的问题。

将非线性的运动方程和观测方程进行以切线代替的方式来线性化。其实就是在均值处进行一阶泰勒展开。

1，扩展kalmanfilter（也称为线性化卡尔曼滤波）：

是一个简单的非线性近似滤波算法，指运动或观测方程不是线性的情况。为了简化计算，EKF通过一阶泰勒分解线性化运动/观测方程。KF与EKF具有相同的算法结构，都是以高斯形式描述后验概率密度的，都是通过计算贝叶斯递推公式得到的。最大的不同之处在于，计算方差时，EKF的状态转移矩阵（上一时刻的状态信息k-1|k-1）和观测矩阵（一步预测k|k-1）都是状态信息的雅克比矩阵。

对于EKF，我们选择上一个最优状态估计（即近似平均值）进行线性化。

假设有n维输入，m维输出，则雅克比矩阵维度是m*n。

有了雅克比矩阵之后，就可以使用KF的步骤进行计算了。

还是以之前的小车作为例子应用一下EKF，不过这次测量的方式不再通过GPS直接测量小车位置，而是通过与附近建筑物的角度判断小车的位置。（运动方程有点问题，见上一篇）

EKF存在的主要问题如下：

1. 运动及观察模型用泰勒级数的一阶或二阶展开近似成线性模型，忽略了高阶项，不可避免的引入线性误差，甚至导致滤波器发散。有如下误差补偿方法：

泰勒近似使得状态预测必然存在误差：

A) 补偿状态预测中的误差，附加“人为过程噪声”，即通过增大过程噪声协方差来实现这一点。

B) 扩大状态预测协方差矩阵，用标量加权因子φ>1乘状态预测协方差矩阵

C) 利用对角矩阵φ=diag(sqrt(φi)), φi>1来乘以状态预测协方差矩阵

其实无论增大过程噪声协方差还是状态预测协方差矩阵，都是为了增大kalman增益，即状态预测是不准的，我要减小一步状态预测在状态更新中的权重。

2. 雅克比矩阵（一阶）及海塞矩阵（二阶）计算困难。二阶EKF的性能要好于一阶的，而二阶以上的性能相比于二阶并没有太大的提高，所以超过二阶以上的EKF一般不采用。但二阶EKF的性能虽好，但计算量大，一般情况下不用

下面是一篇博客里的EKF推导过程，链接见片尾参考。