-
乔利斯基(Cholesky)分解
- 前提:正定对称阵
- 正定对称阵可唯一分解为下三角矩阵和上三角矩阵112
- 作用:简化矩阵平方根操作
-
基于协方差矩阵平方根推导卡尔曼滤波更新方程
- H:观测矩阵、R:观测误差
- 关键:建立了信息协方差S
- 协方差更新方程更新
- H:观测矩阵、R:观测误差
- 观测到landmark,(ρ,θ)时,环境观测方程及观测Jacobian求解
-
UKF
- 通过UT变换实现线性化
- Step1:采样(2N+1)个Sigma点
- Step2:计算Sigma点权重
- Step3:对Sigma点进行传播
- Step4:均值和协方差计算
- UKF步骤
- 预测
- 关键状态增广
- 更新
- 预测
- 通过UT变换实现线性化
-
粒子滤波
-
含义:
- 用离散权重粒子集合表征后验分布
-
重要性采样
- 原理:
- 从某个已知密度分布的“重要性函数”中采样
- 步骤:
- 已知g密度,未知f密度,求f期望:
- 从g密度中抽样样本
- 样本均值为g期望
- 样本权重计算
- 样本权重均值为f期望
- 已知g密度,未知f密度,求f期望:
- 原理:
-
重采样
- 需要重采样原因:
- 随着时间迭代粒子传播,粒子集逐步发散、退化,大多数粒子权重为0,有效粒子少,滤波器性能下降。
- 重采样算法原理
- 复制高权重样本,去除低权重样本,保持样本总数不变
- w = f/g
- 粒子滤波实施流程
- 预测
- 系统状态传播
- 随机采样并计算权重
- 权重归一化
- 重采样
- 预测
- 需要重采样原因:
-
-
各滤波方法优缺点
-
EKF
- 优点
- 应用范围广
- 计算效率高
- 缺点
- 泰勒展开具有局部性,仅适用于小误差协方差
- 仅可解决初始状态已知、单模高斯后验分布
- 需要求解Jacobian
- 优点
-
UKF
- 优点
- 精度高,理论上精度可达三阶泰勒展开。当误差大时,测量更准确。
- 无需求解Jacobian
- 缺点
- 计算量大,维度大时不适用
- 优点
-
PF(粒子滤波)
- 优点
- 可解决多模高斯分布问题
- 非高斯后验分布问题
- 缺点
- 不适合高维状态估计问题
- 计算量大
- 优点
-
Ⅲ定位算法
于 2024-06-10 16:52:37 首次发布