一次性学懂卡尔曼滤波

请看我的PPT，学了好久，也有幸得到了大佬指点。

还有代码实现！

# -*- coding: utf-8 -*-
# Python源文件将以UTF-8格式保存
'''
    这个实践的已知量是导弹做水平运动，已知导弹每个时刻的速度,和速度测量仪器的标准差是v_std，
    还已知每个时刻用GPS测量出导弹位置position_noise以及GPS的方差。
'''
import numpy as np

t = np.linspace(1, 100, 100)  # 在1~100s内采样100次  等差数列
a = 0.5  # 加速度值
position = (a * t ** 2) / 2   # 这个位置是实际的位置。


position_noise = position + np.random.normal(0, 120, size=(t.shape[0]))  # 模拟生成GPS位置测量数据（带噪声）
# 生成一个正态分布的噪声，均值为0，标准差为120。
import matplotlib.pyplot as plt
# 写成一个函数   线  点  坐标。
plt.plot(t, position, label='truth position')
plt.plot(t, position_noise, label='only use measured position')
plt.plot()


# ---------------卡尔曼滤波----------------
# 初始的估计导弹的位置就直接用GPS测量的位置
predicts = [position[0]]   # 这个数组表示的是估计的导弹的位置。
position_predict = predicts[0]

predict_var = 0
pos_var = 120 ** 2  # 这是我们自己设定的位置测量仪器的方差，越大则测量值占比越低
v_std = 50  # 速度（加速度）测量仪器的标准差
for i in range(1, t.shape[0]):
    dv = (position[i] - position[i - 1]) + np.random.normal(0, 50)  # 模拟从IMU读取出的加速度
    position_predict = position_predict + dv  # 利用上个时刻的位置和速度预测当前位置
    predict_var += v_std ** 2  # 更新预测数据的方差   上一次最终的方差加上此时速度传感器的方差 此时是加法。
    # 下面是Kalman滤波
    position_predict = position_predict * pos_var / (predict_var + pos_var) + position_noise[i] * predict_var / (predict_var + pos_var)
    predict_var = (predict_var * pos_var) / (predict_var + pos_var)
    predicts.append(position_predict)

plt.plot(t, predicts, label='kalman filtered position')

plt.legend()  # 给图像加上图例。
plt.show()

谢谢阅读！应该对你会有帮助的！
欢迎关注我的公众号呀。“是编程还是玩”