![e323bef0c9162da911d7390bdbd35e25.png](https://i-blog.csdnimg.cn/blog_migrate/0e0bd6e42f73d27fd645a5050faee5b4.jpeg)
注:本文非科普向,会涉及一些一些数学推导,对于具体的算法,也附带了MATLAB代码编程.
大家好啊,我肥来了!ヾ(•ω•`)o最近刚考完《统计计算》,这门课本科学过一遍了,研究生就为了学分又选了一遍,啊哈哈哈哈,考试还蛮顺利的!所以我们继续来更新我们的滤波系列!
![5d4288185fa629c7888ae66220e021da.gif](https://i-blog.csdnimg.cn/blog_migrate/d81f85c83327b3b114526b3951e29bff.gif)
上次我们讲了一般的贝叶斯滤波方程,它可以算是后面很多滤波的鼻祖了,也算是一个理论框架了。今天我们的主角是卡尔曼滤波(Kalman filter),当然呢,大家很多人都听过,知乎关于这个也有很多人写过,我的呢,主要是承接贝叶斯滤波的框架来引入卡尔曼滤波,所以建议先看完上一节再进行本节的学习:
Rainsley:贝叶斯滤波(Bayesian filtering)zhuanlan.zhihu.com![269c562450290357ba82954e070fcbc0.png](https://i-blog.csdnimg.cn/blog_migrate/a694865f88e37c856590d2225ac54af6.jpeg)
可以这么说吧,卡尔曼滤波就是一个灰常灰常经典的线性高斯系统(其实呢,我记得一位老师跟我讲过,正态分布就叫正态分布,一般不叫高斯分布,而对于随机过程而言,就叫高斯过程,大概酱紫)。也就是说啊吗,这个东西几乎已经被研究地透透彻彻的了。对于数学的东西,大家都有的意识是先搞线性的,再对非线性的进行线性化近似,just like 咱们的地球一样,整体是球,局部放大就是平面了,这也是一种很普遍的数学思想!(你品,你仔细品)
那我们就开始吧!!!
模型介绍
卡尔曼滤波其实是这样一个线性高斯系统应用贝叶斯滤波方程而得到的显式解!
![9027085c2b070d1883a14fde6e49030e.png](https://i-blog.csdnimg.cn/blog_migrate/e74b1c3cc6ce8173e6166d1a6c6601d9.jpeg)
注:本文所有向量矩阵均未进行黑体处理,主要是为了本人的书写方便!
我们要研究的线性高斯系统如下:
是不是“线性性”很明显啊,如果将模型概率化(或者为了应用贝叶斯滤波方程),将上面的式子改写成如下形式:
也就是说咱们呢,将上一节的运动模型与观测模型具体化了,都假设是线性高斯的,再利用多元斯分布的良好性质,就可以得出我们的卡尔曼滤波了!
预备引理
首先,咱们的多元高斯分布大家应该很熟悉吧!(心虚)
首先第一个引理是说,已知边际分布与条件分布,可以得到联合分布:
第二个引理是说呢,已知联合分布如何求边际分布以及条件密度:
这两个引理可以说是多元统计里面很基本的东西了,相信大家应该没有问题!((ง •_•)ง)
卡尔曼滤波方程
直接根据我们上一节贝叶斯滤波方程,就可以得到卡尔曼滤波方程:
至于里面具体的迭代呢,大家应该知道我们为什么只需要对
证明推导
综上,我们已经完成了卡尔曼滤波的推导,证明思想很简单,就是利用联合密度、边际密度、条件密度之间的关系即可。
下面是关于卡尔曼滤波的实例研究:
Rainsley:卡尔曼滤波(Kalman filter)实例研究——汽车跟踪问题(Car tracking)zhuanlan.zhihu.com![4e547c9766f2f1245af5270705da1bfb.png](https://i-blog.csdnimg.cn/blog_migrate/67a77612f0f54851d6c667d1268a068d.jpeg)
好的,小伙伴们,我们下期见!!!☆⌒(*^-゜)v THX!!
如果觉得我的文章还有用的话,还烦请各位阿娜答三联支持一波哦!
主要参考资料:《Bayesian Filtering and Smoothing》,Simo Sarkka著。