卡尔曼滤波算法实例

卡尔曼滤波

卡尔曼滤波的含义是现时刻的最佳估计为在前一时刻的最佳估计的基础上根据现时刻的观测值作线性修正。卡尔曼滤波在数学上是一种线性最小方差统计估算方法，它是通过处理一系列带有误差的实际测量数据而得到物理参数的最佳估算。其实质要解决的问题是要寻找在最小均方误差下的估计值。它的特点是可以用递推的方法计算，其所需数据存储量较小，便于进行实时处理。具体来说，卡尔曼滤波就是要用预测方程和测量方程对系统状态进行估计。

举个例子

设我们要研究的对象是一个房间的温度。

    1.根据经验，温度是恒定的，即上一分钟的温度等于现在这一分钟的温度，经验即预测，但这并不是完全可信的，即存在一定的误差。我们假设成高斯白噪声。

    2.另外在房间里放一个温度计，实时检测房间的温度，这是观测值。同样地也存在误差，也是高斯白噪声。

    我们现在的目标就是，用这两个值，结合它们各自的噪声，估算出房间的实际温度。假设要估算k时刻的实际温度值，首先需要知道k-1时刻的温度值。

    1)预测值，假设k-1时刻房间温度为23度，则k时刻的温度应该也为23度（恒定）。同时该值的偏差为5（5是3的平方加上4的平方再开方，其中3为k-1时刻估算出的最优温度值的偏差3，4为对预测的偏差）。

    2)测量值，假设为25度，同时偏差为4度。

    那么实际值为多少？相信谁多一点，可用它们的协方差来判断：进而求得卡尔曼增益K；K=0.78
    则实际的温度值是：23+0.78*(25-23) = 24.56度。可以看出温度计测量的covariance较小，所以实际值比