![bdddd83a64dc6d315521769050a5e6d8.png](https://img-blog.csdnimg.cn/img_convert/bdddd83a64dc6d315521769050a5e6d8.png)
由于实际不如理论那么理想
实际噪声并不是零均值高斯噪声
实际当中可能存在错误观测
观测数据还存在匹配问题(数据关联)
处理输入和测量的偏差
偏差对卡尔曼滤波器的影响
![cf3aefc85ab9f397eb856aa88530f471.png](https://img-blog.csdnimg.cn/img_convert/cf3aefc85ab9f397eb856aa88530f471.png)
![e0c2b242bc8f7c8bf9a064918047766f.png](https://img-blog.csdnimg.cn/img_convert/e0c2b242bc8f7c8bf9a064918047766f.png)
为了有效抑制偏差,我们必须知道偏差的精确值。但在大多数情况下,并不能得到偏差的精确值。因此,我们一边估计状态,一边估计偏差。
未知的输入偏差
![301e7f5cb807cc4f4f9e2e3b2a0e933a.png](https://img-blog.csdnimg.cn/img_convert/301e7f5cb807cc4f4f9e2e3b2a0e933a.png)
![db2b4df47c8b3770374f9d315c607770.png](https://img-blog.csdnimg.cn/img_convert/db2b4df47c8b3770374f9d315c607770.png)
![ee5960775785d74aa449f23997d910ff.png](https://img-blog.csdnimg.cn/img_convert/ee5960775785d74aa449f23997d910ff.png)
增广状态构建的滤波器会不会收敛到正确的结果?
解存在唯一解的条件为:增广后的能观性矩阵满秩
![7e16a783a475575f7197303daa8d686b.png](https://img-blog.csdnimg.cn/img_convert/7e16a783a475575f7197303daa8d686b.png)
未知的测量偏差
![66503e668601c02b2d9ed01289a57b00.png](https://img-blog.csdnimg.cn/img_convert/66503e668601c02b2d9ed01289a57b00.png)
![0f0beeff6ff90ca97fd01ec424e56db2.png](https://img-blog.csdnimg.cn/img_convert/0f0beeff6ff90ca97fd01ec424e56db2.png)
![96b709d64f5716275dcab29f3bdc7784.png](https://img-blog.csdnimg.cn/img_convert/96b709d64f5716275dcab29f3bdc7784.png)
解存在唯一解的条件为:增广后的能观性矩阵满秩
例5.3是一个典型的SLAM问题,不能观;对于批量式LG估计和KF估计:
批量式LG估计存在无穷多组解;
KF估计初始时刻引入的偏置将一直存在于系统中;
对上两种情况,都有一些解决方案;
数据关联
数据关联问题就是找出每一个测量信息对应于模型中的哪一部分。
外部数据关联
内部数据关联
处理外点
将非常不可能的测量值(根据测量模型)称为外点(outlier)。
RANSAC
M估计
主要是通过减小外点在优化函数中的权重;
迭代重加权最小二乘法(IRLS)
协方差估计
同时估计状态和协方差,有时称为自适应估计;
![77f9e4ec8ba749eb30626348f1b4904f.png](https://img-blog.csdnimg.cn/img_convert/77f9e4ec8ba749eb30626348f1b4904f.png)
自适应估计可以转化为使用IRLS方法的M估计问题;