卡尔曼滤波器——预测和观测的融合

卡尔曼滤波器：预测和观测的融合

整体理解

卡尔曼滤波器是一种高效的自回归滤波器。具有较强的鲁棒性。其鲁棒性来源于对不确定度的有效建模。对于卡尔曼滤波器，假定系统的真实状态为X，由于现实中存在种种不确定性，我们无法确定真实状态的数值，只能给出他的分布，即真实状态在状态空间的各个位置出现的概率。

基于前一个状态和转移模型，我们可以给出对当前状态的预测。
基于传感器等对当前状态的量测，我们可以给出对当前状态的观测。

预测和观测都是高斯分布，卡尔曼滤波器将这两个高斯函数“相乘”，得到当前状态。

Presumption1 假定系统状态X服从高斯分布，那么系统可以由均值和方差唯一确定。

图中，均值为${\mu }_0$的高斯函数和均值为${\mu }_1$的高斯函数相乘，得到均值和方差分别为$({\mu }^{\prime },{\sigma }^{\prime })$的高斯函数大致如图。
上图为一维高斯，当变量为多维时，均值变为均值向量；高斯分布的各个维度可能相互影响，方差变为协方差矩阵${\Sigma }_{ij}$.

系统状态

系统当前的状态为$x_k$（严格来说，是状态的均值为$x_k$，或者，最有可能的状态为$x_k$），方差为$P_k$.
举个例子，当系统处于匀速运动时，系统的状态可以由 {位置; 速度} 两个量描述。

STEP1 预测

Presumption2 假定系统的转移模式T是确定的，已知系统的当前状态，则系统下一时刻的状态可以唯一确定。

$F_k$为系统的运动转移方程。

已知前一时刻状态的分布和转移矩阵，要求解当前时刻的状态。

上面的推导比较理想，现在加上人为制动和环境扰动的考虑，当前时刻的状态更改如下，得到最终的预测状态。

系统的探测器如传感器等传递的观测数据$z_k$可能是目标离探测器的距离等，和系统的状态如位置、速度等并不直接等价，往往需要转换矩阵$H_k$。将对系统的预测状态，转化为对系统的预测观测。
$$Z_{预测}=H_k\cdot X_k$$

STEP2 观测

探测器往往也带有误差。基于探测器提供的数据，得到的观测状态为
传感器噪声产生的协方差矩阵 $R_k$
传感器分布均值 $Z_k$

融合预测和观测

预测和观测步分别得到了一个高斯分布，将这两个高斯分布相乘，即得到了系统的当前状态。

参考文献

【1】https://zhuanlan.zhihu.com/p/39912633