卡尔曼滤波学习笔记（1）

最小二乘/加权最小二乘估计

观测方程

$$y = Hx + v$$

测量残差

$$\varepsilon = y - H\hat{x}$$

代价函数

$$\begin{align*} \varepsilon &= (y-H\hat{x})^T (y-H\hat{x})\\ & = y^Ty - \hat{x}^TH^Ty - y^TH\hat{x}+\hat{x}^TH^TH\hat{x} \end{align*}$$

最优准则

$$\begin{align*} \frac{\partial {J}}{\partial {\hat{x}}} = - y^TH - y^TH + 2\hat{x}^TH^TH = 0 \end{align*}$$

求解这个方程，得

$$\begin{align*} Hy^T &= H^TH\hat{x}\\ x &= (H^TH)^{-1}H^Ty = H^Ly \end{align*}$$
)

其中，$\sqrt{3x-1}+(1+x)^2$

2. 递推最小二乘(RLS)

3. 卡尔曼滤波

3.1 理解

• 基于最小均方误差准则MMSE
• 线性系统
• 递推算法
• 最优滤波算法

3.2 使用过程中注意的问题

• 滤波器系数的确定
  由系统模型和观测模型来确定
  控制量（输入）、状态量、观测量（输出）

状态方程

$$x(t_k) = A(t_k,t_{k-1}) + B(t_{k-1})u(t_{k-1}) + w(t_{k-1}))$$
观测方程
$$y(t_k)=C(t_k)x(t_k)+ v(t_k))$$

• 滤波器初值的确定

$$\begin{align*} \hat{x_0} &= E(x_0)\\ {P_0} &= E[(x_0-\hat{x_0})(x_0-\hat{x_0})^T] \end{align*}$$

• 过程噪声和测量噪声的方差估算
  卡尔曼滤波器设计和调试中重要而困难的一步