激光SLAM后端优化总结之卡尔曼滤波
一、贝叶斯滤波
1.1 状态估计模型
1.2 公式推导
二、卡尔曼滤波(KF)
已知上一时刻系统后验概率分布:
P
(
x
k
−
1
)
=
N
(
x
^
k
−
1
,
P
^
k
−
1
)
P(x_{k-1})=N(\hat{x}_{k-1},\hat{P}_{k-1})
P(xk−1)=N(x^k−1,P^k−1)
假设系统是线性的:
运动方程可以表示为:
观测方程可以表示为:
又后验概率正比于似然概率与先验概率的乘积,所以有:
随机变量服从高斯分布的高维形式可以表示为:
所以我们可以得到
x
^
k
\hat{x}_{k}
x^k与
P
^
k
\hat{P}_{k}
P^k的求解关系:
P
^
k
\hat{P}_{k}
P^k的求解:
x
^
k
\hat{x}_{k}
x^k的求解:
后验概率的均值
x
^
k
\hat{x}_{k}
x^k,等于先验概率的均值
x
ˉ
k
\bar{x}_{k}
xˉk加上一个修正量即
𝐾
(
z
k
−
𝐶
k
x
ˉ
k
)
𝐾(z_k − 𝐶_k\bar{x}_{k})
K(zk−Ckxˉk)。
所以,卡尔曼滤波的一般流程如下:
在使用卡尔曼滤波时需要满足以下两个基本条件:
- 卡尔曼滤波假设系统为线性;
- 卡尔曼滤波要求变量符合高斯分布;