卡尔曼滤波器 1_递归算法_Recursive

卡尔曼滤波器 1_递归算法_Recursive

Filter(滤波器)可以看成是 Optimal Recursive Data Processing Algorithm 最优化递归数字处理算法，是一种观测器，不是一般的滤波器。他的存在是因为我们生活中总是存在不确定性，

1. 不存在完美的数学模型
2. 系统的扰动
3. 测量传感器存在误差

例子：用一个尺子测量一枚硬币的直径，因为尺子的误差以及测量的硬币不同会使测量结果$Z_k$存在一定的误差，下标$k$为第$k$次测量。此时有测量结果$z_1,z_2...z_k$,此时我们想要估计出真实数据，会自然的去取平均值:
$$\begin{array}{rl}{\hat{x}}_k& =\frac{1}{k}\left(z_1+z_2+\cdots +z_k\right)\\ & =\frac{1}{k}\left(z_1+z_2+\cdots +z_{k-1}\right)+\frac{1}{k}{z}_k\\ & =\frac{1}{k}\frac{k-1}{k-1}\left(z_1+z_2+\cdots +z_{k-1}\right)+\frac{1}{k}{z}_k\\ & =\frac{k-1}{k}{\hat{x}}_{k-1}+\frac{1}{k}{z}_k\\ & ={\hat{x}}_{k-1}-\frac{1}{k}{\hat{x}}_{k-1}+\frac{1}{k}{z}_k\\ \Rightarrow {\hat{x}}_k& ={\hat{x}}_{k-1}+\frac{1}{k}\left(z_k-{\hat{x}}_{k-1}\right)\end{array}$$
我们简单的分析以下最后的式子，随着k的增加，测量结果不再重要了；k值较小时，也就是测量的次数少时，$z_k$，也就是测量结果的作用较大。
令$\frac{1}{k}=K_k$
$${\hat{x}}_k={\hat{x}}_{k-1}+K_k\left(z_k-{\hat{x}}_{k-1}\right)$$
也就是当前的估计值=上一次的估计值+系数X（当前测量值-上一次的估计值）在卡尔曼滤波器中这个$K_k$就是Kalman Gain 卡尔曼增益/因数。我们通过这个式子可以看出，此时的估计值与上一次的估计值有关，上一次的估计值与上上一次的估计值有关（不需要追溯很久以前的估计值，也是卡尔曼滤波器的优势）这就是递归的思想。
这里我们对这个$K_k$进行一个简单的讨论，引入两个参数，估计误差（估计值与真实值的误差）$e_{EST}$，测量误差（测量值与真实值的误差）$e_{MEA}$，此时
$$K_k=\frac{{e_{EST}}_{k-1}}{{e_{EST}}_{k-1}+{e_{MEA}}_k}$$这是卡尔曼滤波器的核心公式，后续学习他是怎么推导出来的，现在进行一个讨论：
当$k$时刻：${e_{EST}}_{k-1}>>{e_{MEA}}_k$,此时可以通过上式看出$K_k$趋近于1，所以${\hat{x}}_k={\hat{x}}_{k-1}+z_k-{\hat{x}}_{k-1}=z_k$，这就说明了在$k-1$时刻的估计误差远远大于$k$时刻的测量误差时，$k$时刻的估计值趋近于$k$时刻的测量值。也就是估计的误差大，我们更相信测量值；反之，当$k-1$时刻的估计误差远远小于$k$时刻的测量误差时，$K_k$趋近于0，我们也就更相信估计值。