Kalman滤波笔记

http://原文链接：http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/

SourceURL:file:///home/yzl/Documents/什么是卡尔曼滤波.docx

什么是卡尔曼滤波？

　　你可以在任何含有不确定信息的动态系统中使用卡尔曼滤波，对系统下一步的走向做出有根据的预测，即使伴随着各种干扰，卡尔曼滤波总是能指出真实发生的情况。
　　在连续变化的系统中使用卡尔曼滤波是非常理想的，它具有占用内存小的优点（除了前一个状态量外，不需要保留其它历史数据），并且速度很快，很适合应用于实时问题和嵌入式系统。

从这篇博文中，我们知道，需要解决的问题就是由上一状态求当前状态;以及从上一协方差矩阵求当前状态的协方差矩阵；

协方差矩阵作用

我们并不知道实际的位置和速度，它们之间有很多种可能正确的组合，但其中一些的可能性要大于其它部分。卡尔曼滤波假设两个变量（位置和速度，在这个例子中）都是随机的，并且服从高斯分布。每个变量都有一个均值 μ，表示随机分布的中心（最可能的状态），以及方差，表示不确定性。

（1）根据对实际问题对应的系统进行分析，可以得到预测的一组状态值和协方差矩阵。

 

　　由上式可知，新的最优估计是根据上一最优估计预测得到的，并加上已知外部控制量的修正。
　　而新的不确定性由上一不确定性预测得到，并加上外部环境的干扰。
　　

好了，我们对系统可能的动向有了一个模糊的估计，用和来表示。如果再结合传感器的数据会怎样呢？

（2）根据传感器测量的结果，又能得到测量的一组状态值和协方差矩阵。

 

从测量到的传感器数据中，我们大致能猜到系统当前处于什么状态。但是由于存在不确定性，某些状态可能比我们得到的读数更接近真实状态。我们将这种不确定性（例如：传感器噪声）用协方差表示，该分布的均值就是我们读取到的传感器数据，称之为。现在我们有了两个高斯分布，一个是在预测值附近，一个是在传感器读数附近。

即将不确定状态都假设为一个高斯分布，对应一个均值和一个方差。

至此，得到了预测的和测量的上一状态与当前状态的关系;以及从上一协方差矩阵求当前状态的协方差矩阵的关系；

结合这两组关系式，可以对实际状态进行确定。