卡尔曼滤波——二轮平衡小车

最新推荐文章于 2024-06-11 06:33:10 发布

__等等__

最新推荐文章于 2024-06-11 06:33:10 发布

阅读量818

点赞数 5

文章标签：线性代数算法 stm32 单片机

本文链接：https://blog.csdn.net/weixin_45002397/article/details/136751665

版权

本文解释了为何需要滤波，特别是在使用MPU6050传感器时。介绍了卡尔曼滤波作为一种线性最小方差估计方法，通过结合多组观测数据减小不确定性。文章详细阐述了卡尔曼滤波的基本原理，包括增益计算和在单数据情况下的应用，以及一个简单的例子来说明预测和调整信赖程度的过程。

摘要由CSDN通过智能技术生成

为什么要滤波？
因为利用mpu6050（角速度传感器和加速度传感器）测量得到数据被噪声污染，为了得到稳定可靠的数据从而要进行滤波。
常见的滤波算法有很多种，根据其优缺点分析选择了卡尔曼滤波算法。

什么是卡尔曼滤波
卡尔曼滤波即属于一种线性最小方差估计法。即使估计所得值与实际值的均方误差达到最小，且估计具有线性形式。

卡尔曼滤波的基本原理是什么
假设对同一个目标有两组观测数据，这两组数据服从高斯分布，即：
$X_{A} \sim N \left ( \mu _{A},\sigma ^{2} _{A} \right ) \\ X_{B} \sim N \left ( \mu _{B},\sigma ^{2} _{B} \right )$

对这两组数据进行加权的线性组合，即可得到更加准确的观测数据，即：
$\hat{X}= kX_{A} + \left ( 1-k\right )X_{B} \qquad k\in \left [ 0,1 \right ] \\ \hat{X}\sim N \left (k \mu _{A} + \left ( 1-k\right ) \mu _{B}，k^{2}\sigma ^{2} _{A}+\left(1-k\right )^{2}\sigma ^{2} _{B} \right )$
令组合后的数据方差最小，即不确定性最小，可得：
$k=\frac{\sigma ^{2}_{B}}{\sigma ^{2}_{A}+\sigma ^{2}_{B}} \\ \hat{X}\sim N \left (\frac{\sigma ^{2}_{B}}{\sigma ^{2}_{A}+\sigma ^{2}_{B}} \mu _{A} + \frac{\sigma ^{2}_{A}}{\sigma ^{2}_{A}+\sigma ^{2}_{B}} \mu _{B}，\frac{\sigma ^{2}_{A}\sigma ^{2}_{B}}{\sigma ^{2}_{A}+\sigma ^{2}_{B}} \right )$

最终整理如下：
$\widehat{X} \sim N\left(\mu_{A}+K_{g}\left(\mu_{B}-\mu_{A}\right),\left(1-K_{g}\right) \sigma_{A}^{2}\right)\\ 增益：K_{g}=\frac{\sigma ^{2}_{A}}{\sigma ^{2}_{A}+\sigma ^{2}_{B}} \\ 新息：\mu_{B}-\mu_{A}$
那么，如何在只有一组数据的情况下，运用最小方差线性估计呢？
假设有一组不断补充更新的数据a,b,c,d,e……对其进行不断地迭代估计，每测出一个新的数据，就将新的数据与之前的估计结果值进行最小方差线性估计。
$最优估计值_{n}=最优估计值_{n-1} +K _{n}\left(测量值_{n}-最优估计值_{n-1}\right)\\ 卡尔曼增益K _{n}=\frac{最优估计值误差_{n-1}}{最优估计值误差_{n-1}+测量值误差_{n}}\\ 最优估计值误差_{n-1}=\left(1-K_{n-1}\right)最优估计值误差_{n-2}$