参考:https://blog.csdn.net/young_gy/article/details/78468153
Extended Kalman Filter(扩展卡尔曼滤波)是卡尔曼滤波的非线性版本。在状态转移方程确定的情况下,EKF已经成为了非线性系统状态估计的事实标准。本文将简要介绍EKF,并介绍其在无人驾驶多传感器融合上的应用。
KF与EKF
本文假定读者已熟悉KF,若不熟悉请参考卡尔曼滤波简介。
KF与EKF的区别如下:
预测未来:x′=Fx+u用x′=f(x,u)代替;其余F用Fj代替。
修正当下:将状态映射到测量的Hx′用h(x′)代替;其余H用Hj代替。
其中,非线性函数f(x,u),h(x′)用非线性得到了更精准的状态预测值、映射后的测量值;线性变换Fj,,Hj通过线性变换使得变换后的x,z仍满足高斯分布的假设。
Fj,Hj计算方式如下:
为什么要用EKF
KF的假设之一就是高斯分布的x预测后仍服从高斯分布,高斯分布的x变换到测量空间后仍服从高斯分布。可是,假如F、H是非线性变换,那么上述条件则不成立。
将非线性系统线性化
既然非线性系统不行,那么很自然的解决思路就是将非线性系统线性化。
对于一维系统,采用泰勒一阶展开即可得到: