统领全文
kalman的用途可分为3类,一是进行滤波,类似于维纳滤波、粒子滤波等现代信号处理方法,kalman可用于滤波。二是用于预测,或者说估计。根据当前时刻的预测值和当前时刻的测量值给出一个当前时刻的最优估计出来。该最优估计的推导可根据凸函数优化理论而得到。三是评估,kalman过程中涉及到一些融合系数,可用于评估融合的有效性。
此外,kalman可用于处理随机、非平稳信号。例如说kalman经常用于借助GPS信号进行轨迹预测。每一个位置所获取的GPS信号是非平稳的。可以这样认为,虽然每一个位置上所获取的GPS信号是非平稳的,但是,假如对当前位置进行无限重复次测量,根据大数定律,测量误差会呈现高斯分布。因此,信号是非高斯分布的,但是测量误差是高斯分布的。理解这一点就比较好理解后续过程中为何频繁用到高斯分布了。
关于kalman滤波
kalman滤波算法是一个在存在不确定性的情况下对系统状态进行估计和预测的强大工具,被广泛应用在诸如目标跟踪、导航和控制等应用场景中。
kalman滤波的作用主要是克服测量噪声和过程噪声,提升测量精度。
估计、准度和精度
kalman滤波的应用场景主要假定测量系统为无偏系统。即测量值围绕真实值附近波动,高准度、低精度。
测量过程
实例1-给金条称重
上述变量中,使用第2个索引所表示的时刻对第一个索引所表示的时刻进行估计。
实例2-跟踪直线匀速运动的飞行器
系数
β
\beta
β的值表示前后2个变量的可信程度。如果雷达测量较为精确,则
β
\beta
β的值应该调高,加强对雷达测量值的信任程度。
实例2总结
这里第2个例子做了件什么事情呢?假设告诉你现在是雷达工作站的人员,一架飞行器匀速远离。现在给你提供1个无偏,但是精度较差的雷达(例如精度误差100m),可以用来测量飞机的相对位置。如何通过物理学原理来得到更高精度的飞行器位置和速度估计?这就是该滤波器要做的事情。
实例3
实例4
飞行器先以50m/s速度匀速飞行20s,再以8m/s2的加速度加速飞行35s。
第0次迭代
第1次迭代
第2次迭代
卡尔曼滤波
现在终于到了kalman滤波了。
与上述见过的
α
−
β
−
γ
\alpha-\beta-\gamma
α−β−γ滤波器的不同之处在于,kalman滤波器是将测量值、当前状态和下一个状态预测均视为具有正态分布的随机变量,这些随机变量由均值和方差进行描述。
动态模型依系统不同而不同。
r
n
是测量值
z
n
的方差
r_{n}是测量值z_{n}的方差
rn是测量值zn的方差
至此,已经集齐了kalman滤波五个核心方程。
实例5-估计大楼高度
参考目录
本博客主要翻译自网页https://www.kalmanfilter.net/CN/alphabeta_cn.html,有兴趣可以看看源网页。
楷体