最优估计与卡尔曼滤波基本原理

最新推荐文章于 2025-02-14 17:58:08 发布

枯荣有常

最新推荐文章于 2025-02-14 17:58:08 发布

阅读量4.7k

点赞数 5

分类专栏：惯性导航文章标签：概率论

本文链接：https://blog.csdn.net/wuwuku123/article/details/120205430

版权

惯性导航专栏收录该内容

27 篇文章

订阅专栏

本文详细介绍了估计理论的核心概念——最优估计，包括均方误差的计算和比较。接着，深入探讨了卡尔曼滤波的原理，阐述了卡尔曼滤波方程及其在状态估计中的应用。同时，提到了滤波初值的选择策略以及连续时间随机系统的离散化方法。通过对不同随机过程的离散化示例，展示了如何将连续时间模型转换为离散时间模型，以便于实际应用中进行滤波处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、最优估计

1、估计理论：

估计理论是概率论与数理统计的一个分支，是根据受扰动的观测数据来提取系统某些参数或状态的一种数学方法。

定义估计量 $\breve{X}$ 的误差为：

对于随机变量，常用均方误差(Mean Square Error,MSE)来衡量估计量与被估计量之间的误差大小，类似的，对于随机向量定义均方误差阵为：

特别地，如果估计 $\breve{X}$ 是无偏的，则均方误差阵就等于其误差的方差阵，即有 $MSE[\breve{X}]=var[\breve{X}]$ 成立。一般也称标量函数 $E[\breve{X^{T}\breve{X}}]$ 为均方误差，显然有：

对两个均方误差阵进行大小比较，通常是指比较均方误差阵之迹的大小，它等价于比较均方误差的大小。

二、卡尔曼滤波方程

1、kalman方程：

<1>随机系统状态空间模型：

其中：

$X_{k}$ 是n维的状态向量；

$Z_{k}$ 是m维的量测向量；

$W_{k-1}$ 是 $l$ 维的系统噪声向量；

$V_{k}$ 是 $m$ 维的量测噪声向量；

$\Phi _{k/k-1}$ 是 $n$ 维的状态一步转移矩阵；

$\Gamma _{k/k-1}$ 是 $n\times l$ 维的系统噪声分配矩阵；

$H_{k}$ 是 $m\times n$ 维的量测矩阵；

<2>kalman滤波的五个公式：

Ⅰ状态一步预测：

Ⅱ 状态一步预测均方误差阵：

Ⅲ 滤波增益：

Ⅳ状态估计：

Ⅴ状态估计均方误差阵：

注：

Ⅰ：量测一步预测均方误差阵 $P_{ZZ k/k-1}$

Ⅱ：状态一步预测与量测一步预测之间的协均方误差阵 $P_{XZ k/k-1}$

Ⅲ：滤波增益计算公式，等价：

Ⅳ： K时刻，状态估计均方误差阵：

2、滤波流程框图和滤波初值的选择：

量测信息 $Z_{k}$ 是Kalman滤波的最主要输入，但对于时变系统而言，系统结构参数 $\Phi _{k/k-1}$ 、 $\Gamma _{k/k-1}$ 、 $H_{k}$ 及噪声 $Q_{k-1}$ 、 $R_{k}$ 中的全部或部分是时变的，也是为滤波算法的输入，需实时更新。除了状态估计 $\breve{X}$ 外，状态估计均方误差阵 $P_{k}$ 也是Kalman滤波输出的重要组成部分， $P_{k}$ 对评价状态估计的质量发挥着非常重要的作用。