【在学】卡尔曼滤波/分布式卡尔曼滤波

在学，持续更新，欢迎交流…

想看看卡尔曼滤波/分布式卡尔曼滤波坑里还有多少人…

2023.08.18

为了令卡尔曼滤波器开始工作，我们需要告诉卡尔曼两个零时刻的初始值，是X(0|0)和P(0|0)。他们的值不用太在意，随便给一个就可以了，因为随着卡尔曼的工作，X会逐渐的收敛。但是对于P，一般不要取0，因为这样可能会令卡尔曼完全相信你给定的X(0|0)是系统最优的，从而使算法不能收敛。

Kalman Filter 只能减小均值为0的测量噪声带来的影响。只要噪声期望为0，那么不管方差多大，只要迭代次数足够多，那效果都很好。反之，噪声期望不为0，那么估计值就还是与实际值有偏差。

2023.09.09

卡尔曼滤波中参数的意义：

$x_{k-1}和x_k$， 分别表示 k-1 时刻和 k 时刻的后验状态估计值，是滤波的结果之一，即更新后的结果，也叫最优估计（估计的状态，根据理论，我们不可能知道每时刻状态的确切结果所以叫估计）。

${\hat{x}}_{k/k-1}$， k时刻的先验状态估计值，是滤波的中间计算结果，即根据上一时刻（k-1时刻）的最优估计预测的k时刻的结果，是预测方程的结果。

$P_{k-1}和P_k$， 分别表示 k-1 时刻和 k 时刻的后验估计协方差（即的协方差，表示状态的不确定度），是滤波的结果之一。

${\hat{P}}_{k/k-1}$， k 时刻的先验估计协方差（${\hat{x}}_{k/k-1}$的协方差），是滤波的中间计算结果。

$H$，是状态变量到测量（观测）的转换矩阵，表示将状态和观测连接起来的关系，卡尔曼滤波里为线性关系，它负责将 m 维的测量值转换到 n 维，使之符合状态变量的数学形式，是滤波的前提条件之一。

$Z_k$，测量值（观测值），是滤波的输入。

$K_k$，滤波增益矩阵，是滤波的中间计算结果，卡尔曼增益，或卡尔曼系数。

$A$，状态转移矩阵，实际上是对目标状态转换的一种猜想模型。例如在机动目标跟踪中， 状态转移矩阵常常用来对目标的运动建模，其模型可能为匀速直线运动或者匀加速运动。当状态转移矩阵不符合目标的状态转换模型时，滤波会很快发散。

$Q_k$，过程激励噪声w的协方差（系统过程的协方差），表示w 向量元素之间的相关关系。该参数被用来表示状态转换矩阵与实际过程之间的误差。因为我们无法直接观测到过程信号， 所以 Q 的取值是很难确定的。是卡尔曼滤波器用于估计离散时间过程的状态变量，也叫预测模型本身带来的噪声。状态转移协方差矩阵

$R_k$，测量噪声v的协方差，表示v向量元素之间的相关关系。滤波器实际实现时，测量噪声协方差 R一般可以观测得到，是滤波器的已知条件。

$Z_k-H_k\ast {\hat{x}}_{k/k-1}$，实际观测和预测观测的残差，和卡尔曼增益一起修正先验（预测），得到后验。

2023.09.10

凌晨一点，终于看懂了分布式卡尔曼滤波的算法。觉得白天只要能复现出来应该是没问题的。

结果到了晚上，复现出来，还是有问题。

2023.09.11

晚上凌晨两点，把能想到的错误都看了一遍，排查完一遍好像是没问题了，结果还是凌晨四点才睡着。