一、使用的原因
生活中出现大量的不确定性,当我们描述系统时,不确定性主要表现在:不存在完美的数学模型、
系统的干扰不可控也很难建模、传感器的测量值存在误差
二、测量值与估计值的引入
测量值可用Z(k)表示,估计值(一般都会想到用平均值代替)可用X(k)_Hat表示,带有帽子的符号
三、递归思想和卡尔曼增益
卡尔曼滤波器的优势在于不需要去记录之前的所有测量值,通过递归的思想可以算出当前的估计值
卡尔曼增益的求法:引入估计误差和测量误差,它也是卡尔曼滤波器的核心公式
四、先给个例子消化一下
可以根据下面三个步骤,通过卡尔曼滤波器解决一些问题
比如有这么一个例子 :要去测量一个硬币的直径,它的实际长度是50mm。下面开始假设初始条
件,第一次的估计值是40mm,估计误差是5mm,第一次的测量值是51mm,测量误差是3mm。根
据上面所给出的三个步骤,借助excel表格绘制我们估计值和测量值的曲线
五、总结
卡尔曼滤波器其实是一种算法,不只是简单意义上的滤波器那么简单。由于数学模型的建立都是不
能达到最完美的,实际传感器测量的值也不是最精确的,所以可以将不太准确的理论计算的结果和
不太准确的测量得到的结果进行数据融合,得到一个最优的测量结果,这个过程就是卡尔曼滤波