卡尔曼_从贝叶斯滤波到扩展卡尔曼滤波

本文使用 Zhihu On VSCode 创作并发布

0 前言

扩展卡尔曼滤波（Extended Kalman Filter，EKF）是标准卡尔曼滤波在非线性情形下的一种扩展形式，它是一种高效率的递归滤波器（自回归滤波器）。

EKF 的基本思想是利用泰勒级数展开将非线性系统的状态转移函数

和（或）观测函数

线性化，然后采用卡尔曼滤波框架对信号进行滤波，因此它是一种次优滤波。

1 贝叶斯滤波的三大概率密度函数

在此前的文章

石鹏：从概率到贝叶斯滤波​zhuanlan.zhihu.com

和

石鹏：从贝叶斯滤波到卡尔曼滤波​zhuanlan.zhihu.com

中，已经讲到贝叶斯滤波的先验概率密度函数、似然概率密度函数和后验概率密度函数：

(1) 先验概率密度函数

(2) 似然概率密度函数

(3) 后验概率密度函数

其中，后验概率密度函数中的归一化常数

为：

2 扩展卡尔曼滤波的假设

扩展卡尔曼滤波以贝叶斯滤波为理论基础，并作了五个前提假设。

2.1 与卡尔曼滤波相同的假设

(1) 假设一：状态量服从正态分布

(2) 假设二：观测量服从正态分布

(3) 假设三：过程噪声服从均值为 0 的正态分布

(4) 假设四：观测噪声服从均值为 0 的正态分布

2.2 与卡尔曼滤波不同的假设

(5) 假设五：状态转移函数和（或）观测函数为非线性函数

在卡尔曼滤波的前提假设中，认为状态方程中的状态转移函数

以及观测方程中的观测函数

均为线性函数。基于这种线性假设，存在常数或常矩阵

，使得

可以写成卡尔曼滤波中的线性形式，存在常数或常矩阵

，使得

也可以写成卡尔曼滤波中的线性形式。

不同于标准卡尔曼滤波，扩展卡尔曼滤波处理的是非线性系统，假设系统的状态转移函数和（或）观测函数为非线性函数。

3 扩展卡尔曼滤波的公式推导

3.1 预测步的两个公式

当状态转移函数为线性函数时，扩展卡尔曼滤波的预测步与标准卡尔曼滤波相同；当状态转移函数为非线性函数时，扩展卡尔曼滤波的预测步采用下面的推导过程。

根据假设一，

时刻状态量

服从均值为

，方差为

的正态分布：

的后验概率密度函数为：

对状态转移函数

在

的后验估计处

（即

）进行

一阶泰勒级数展开：

其中，

为高阶无穷小量，对其进行舍弃，便可得到状态转移函数

的近似形式：

令

，则近似有：