卡尔曼滤波推导过程

最新推荐文章于 2023-05-29 14:18:51 发布
最新推荐文章于 2023-05-29 14:18:51 发布
阅读量1.6k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 算法 文章标签： 卡尔曼滤波 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xcq2000/article/details/11129189

卡尔曼滤波在机器人定位，SLAM等方面需要用到，公式自己推一遍能更加深入理解。这个是基于线性系统的基本公式，实际应用中需要把非线性系统通过泰勒公式求导展开近似线性化。

 

 

总结：

卡尔曼滤波算法详细推导
victor_zy的博客
09-27 8万+
一、预备知识 1、协方差矩阵 是一个维列向量，是的期望，协方差矩阵为 可以看出 协方差矩阵都是对称矩阵且是半正定的 协方差矩阵的迹是的均方误差 2、用到的两个矩阵微分公式 公式一： 公式二：若是对称矩阵，则下式成立 ......
卡尔曼滤波原理详解及系统模型建立（simulink）
weixin_43942325的博客
12-06 7万+
卡尔曼滤波原理详解及系统模型建立（simulink） 卡尔曼滤波器 卡尔曼滤波器是在上个世界五六十年代的时候提出的，到今天已经有六十年左右的时间，但卡尔曼滤波算法不管在控制、制导、导航或者通讯方面对数据的预测能力依然处在一个不可撼动的位置上，但是很多人对于其算法内部的工作原理究竟是怎么运作的依然不理解，所以在工程上很多人都只是把卡尔曼滤波当成是一种“黑箱”预测算法，并不清楚内部原理。但实际上没有任...
通过简单直观的推导理解卡尔曼滤波器的基础（英文版）
04-17
本文提供了卡尔曼滤波器的简单直观推导，旨在为不需要强大数学背景的学科的学生讲授这个有用的工具。理解这种推导所需的最复杂的数学水平是将两个高斯函数相乘并将结果简化为紧凑形式的能力。
卡尔曼滤波——卡尔曼滤波推导
Car_Ton的博客
04-12 1549
该笔记是在学习up主DR_CAN的关于卡尔曼滤波视频后做的归纳与总结。以上是卡尔曼滤波的五大方程的基本推导与示例应用。1%7D+
卡尔曼滤波算法详细推导（全网最详细的推导过程）
moge19的专栏
10-23 1万+
本文是来源于B站Dr_CAN的视频的学习笔记，有需要详细了解的，可以到B站看相关视频DR_CAN的个人空间 1、递归算法 例： 假设测一段距离，第一次测z_1=50.1mm，第二次测z_2=50.4mm，第三次测z_3=50.2mm，若想得到准确的值，可以计算这几次测量的平均值, 据此，可以定义估计真实数据等于平均值，可得到如下公式 x^k=1k(x1+x2+⋯xk)\hat{x }_k=\frac{1}{k }(x_1+x_2+⋯x_k )x^k​=k1​(x1​+x2​+⋯xk​) =1k(x1+x2+
卡尔曼滤波的推导
weixin_39516246的博客
01-17 484
与维纳滤波不同，卡尔曼滤波不是简单地把系统看做一个黑匣子。卡尔曼滤波认为，可以对系统建立状态方程来增加对于系统的了解。 事实上，这种看法在我们生活中是具有普遍意义的。比如火箭的轨迹，严格遵守动力学原理；天气预报严格遵守大气学原理等等 卡尔曼滤波的的模型依赖于两个方程，即系统的状态方程和观测方程，如下 Xn=Fn(Xn−1,Vn)Yn=Hn(Xn,Wn) X_n=F_n(X_{n-1},V_n)\\...
@卡尔曼滤波理解
在路上@Amos
11-20 1581
Kalman Filter For Dummies
卡尔曼滤波推导.pdf
02-23
8. 卡尔曼滤波的数学推导过程：文章作者提供了详细的数学推导步骤，包括使用两种不同的方法：一种是基于向量空间优化的正交投影方法；另一种是基于贝叶斯最优滤波的方法。每一步的证明都被清楚地展示并详细展开。 9...
卡尔曼滤波算法详细推导.docx
04-06
下面是卡尔曼滤波算法的详细推导： 1. **系统状态方程**： 系统的状态由离散型状态方程描述，即： \( X_k = AX_{k-1} + Bu_k + w_k \) 其中，\( A \) 是状态转移矩阵，\( u_k \) 是系统的输入向量，\( B \) 是...
用于卡尔曼滤波UD分解快速算法
01-23
在卡尔曼滤波的过程中，常常需要进行矩阵的求逆操作，尤其是在计算卡尔曼增益和误差协方差更新时。通过使用UD分解，算法可以更高效且稳定地进行测量更新递归，即更新系统的状态估计和误差协方差。 在卡尔曼滤波中，...
卡尔曼滤波算法(内含详细推导)
10-21
卡尔曼滤波算法(内含详细推导)，可供读者自行学习，经本人测试，代码无误
卡尔曼滤波原理公式详细推导过程[包括引出]
zzhao2580的博客
01-05 7855
将从最初的递归算法，利用数据融合，协方差矩阵，状态空间方程等基础推导，最终分析卡尔曼滤波5个方程全部的推导过程，其过程有很多晦涩难懂的公式，我会尽量的表达清楚和加入一些个人理解，从而使得较为便于理解
卡尔曼滤波(Kalman Filter)概念介绍及详细公式推导
热门推荐
泽渊的博客
05-29 7万+
卡尔曼滤波（Kalman filter）是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会比只以单一测量量为基础的估计方式要准。卡尔曼滤波得名自主要贡献者之一的鲁道夫·卡尔曼。​ 卡尔曼滤波的算法是二步骤的程序。
卡尔曼滤波详细推导
晓晨的博客
10-26 738
虽然卡尔曼滤波作为一种经典的算法在多源数据融合、slam后端优化等很多方面都取得了较好的应用，但是我们经常都会有一个疑问，卡尔曼滤波到底是什么呢？ 简要的说：“卡尔曼滤波是一种优化估算算法” 其可以适用于线性高斯系统，如果我们考虑非线性系统则可以考虑扩展卡尔曼滤波 其可以解决两个问题： 状态如何在无法被直接测量的情况下，进行估算系统的状态。 如何在数据源存在噪声的情况下，通过卡尔曼滤波估计系统的状态。（比如说惯导、轮式里程计、GNSS三种传感器数据均存在误差，且频率不一，如何融合三种数据源进行精确的估
最详细的卡尔曼滤波推导过程（来源于DR_CAN的笔记整理）
weixin_44702605的博客
06-02 7829
本教程来源于bibili up主DR_CAN的笔记整理，建议读者配合视频食用，视频链接如下：【卡尔曼滤波器】1_递归算法_Recursive Processing_哔哩哔哩_bilibili在此非常感谢DR_CAN老师精彩讲解，在此表示崇高的敬意。卡尔曼滤波算法实际是一个观测器，可以用来估计下一个状态，具有非常好的实时性。其公式为：假定我们要对一个未知长度的物体进行测量，每次的测量值为ZkZ_kZk​，取前kkk次的平均值作为当前的估计值（最优估计），则可得到以下公式：xk^=Z1+Z2+....+Zkk=
卡尔曼滤波(kalman filter)超详细推导
littlefrogyq的博客
07-23 2408
1. 概率论相关知识 这一节主要叙述概率论的一些相关基础知识，包括全概率公式、贝叶斯公式、协方差矩阵、二维高斯分布等等，对这些熟悉的可以直接跳到第二节 1.1 全概率公式与贝叶斯公式 1.2 协方差矩阵 1.3 二维高斯分布 2. 贝叶斯(Bayes)滤波 卡尔曼滤波是基于贝叶斯滤波的一种改进，这里先说明一下贝叶斯滤波的相关原理。 2.1 变量定义 运动过程一般需要用到的变量主要有3个： xi\boldsymbol x_ixi​表示iii时刻的状态。比如在运动的机器人中，表示机器人当前的位姿 zi\bold
卡尔曼滤波器原理详细推导
weixin_43487974的博客
08-07 865
卡尔曼滤波器原理及详细推导过程，通过b站宝藏up主DR_CAN的视频学习后以自己的思路进行了整理总结。
卡尔曼滤波推导（最小误差思想）
AnkhGirl的博客
09-09 799
4.1 目标动态方程和观测方程的建立 这里使用的是一个匀加速的例子引出的，在此运动模型中我们将位置 和速度 作为系统状态变量，通过运动学公式我们可得到： 我将它写成矩阵的形式： xk=Axk-1+Buk-1 但我们知道在真实系统中存在着噪声，在这里我们引入过程噪声Q 。其维数与状态变量一致并服从N(0，w) 的正态分布，所以上式可以完善成 xk=Axk-1+Buk-1+w 同理我们可以推导出观测方程： Zk=Hxk+v 其...
卡尔曼滤波推导
最新发布
03-28
### 卡尔曼滤波数学推导过程及公式详解 卡尔曼滤波是一种用于处理含噪声数据的递归算法，其核心目标是在存在不确定性的情况下提供系统的最优状态估计。以下是卡尔曼滤波的核心数学推导过程以及公式的详细说明。 #### 一、基本假设与模型描述 卡尔曼滤波适用于线性动态系统，该系统可以用如下两个方程表示： 1. **状态转移方程** 描述系统状态如何随时间变化： $$ x_k = F_{k-1}x_{k-1} + B_{k-1}u_{k-1} + w_{k-1} $$ 其中： - \(x_k\) 是第 \(k\) 步的状态向量； - \(F_{k-1}\) 是状态转移矩阵； - \(B_{k-1}\) 是控制输入矩阵； - \(u_{k-1}\) 是已知的控制变量； - \(w_{k-1}\) 是过程噪声，通常假定为均值为零的高斯白噪声，协方差矩阵为 \(Q_{k-1}\)[^1]。 2. **测量方程** 表示观测值与实际状态之间的关系： $$ z_k = H_kx_k + v_k $$ 其中： - \(z_k\) 是第 \(k\) 步的测量值； - \(H_k\) 是观测矩阵； - \(v_k\) 是测量噪声，同样假定为均值为零的高斯白噪声，协方差矩阵为 \(R_k\)。 --- #### 二、贝叶斯框架下的最优估计准则 为了得到最优状态估计，卡尔曼滤波基于最小化误差平方和的原则，具体来说就是使后验概率分布的最大似然达到最大。这一原则可以通过贝叶斯公式来表达[^2]： $$ p(x_k|Z_k) \propto p(z_k|x_k)p(x_k|Z_{k-1}) $$ 其中： - \(p(x_k|Z_k)\) 是给定所有测量值后的后验概率密度函数； - \(p(z_k|x_k)\) 是测量条件概率； - \(p(x_k|Z_{k-1})\) 是先验概率密度函数。 通过最大化后验概率，可以得出最优状态估计。 --- #### 三、卡尔曼增益计算 卡尔曼增益 \(K_k\) 的作用在于平衡预测值与测量值的影响。它由以下公式定义： $$ K_k = P_k^-H_k^T(H_kP_k^-H_k^T + R_k)^{-1} $$ 其中： - \(P_k^-\) 是先验估计误差协方差矩阵； - \(H_k\) 是观测矩阵； - \(R_k\) 是测量噪声协方差矩阵。 卡尔曼增益的作用是调整预测值与测量值的比例，从而获得更精确的状态估计[^3]。 --- #### 四、卡尔曼滤波五大公式总结 卡尔曼滤波的主要步骤可以归纳为五个公式： 1. **状态预测** 利用上一步的状态估计值进行当前步的预测： $$ \hat{x}_k^- = F_{k-1}\hat{x}_{k-1} + B_{k-1}u_{k-1} $$ 2. **误差协方差预测** 预测误差协方差矩阵： $$ P_k^- = F_{k-1}P_{k-1}F_{k-1}^T + Q_{k-1} $$ 3. **卡尔曼增益更新** 计算卡尔曼增益以优化估计： $$ K_k = P_k^-H_k^T(H_kP_k^-H_k^T + R_k)^{-1} $$ 4. **状态更新** 结合测量值修正预测值： $$ \hat{x}_k = \hat{x}_k^- + K_k(z_k - H_k\hat{x}_k^-) $$ 5. **误差协方差更新** 更新误差协方差矩阵： $$ P_k = (I - K_kH_k)P_k^- $$ 这些公式共同构成了卡尔曼滤波的核心逻辑。 --- #### 五、代码实现示例 以下是一个简单的卡尔曼滤波器 Python 实现示例： ```python import numpy as np class KalmanFilter: def __init__(self, A, B, H, Q, R, x0, P0): self.A = A # 状态转移矩阵 self.B = B # 控制输入矩阵 self.H = H # 观测矩阵 self.Q = Q # 过程噪声协方差 self.R = R # 测量噪声协方差 self.x_hat = x0 # 初始状态估计 self.P = P0 # 初始误差协方差 def predict(self, u=None): if u is None: u = 0 self.x_hat = self.A @ self.x_hat + self.B @ u self.P = self.A @ self.P @ self.A.T + self.Q def update(self, z): y = z - self.H @ self.x_hat S = self.H @ self.P @ self.H.T + self.R K = self.P @ self.H.T @ np.linalg.inv(S) self.x_hat = self.x_hat + K @ y I = np.eye(K.shape[0]) self.P = (I - K @ self.H) @ self.P ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值