Kalman滤波

最新推荐文章于 2024-07-31 16:49:23 发布

「已注销」

最新推荐文章于 2024-07-31 16:49:23 发布

阅读量531

点赞数

分类专栏：统计机器学习文章标签：机器学习算法

原文链接：https://www.cnblogs.com/ycwang16/p/5999034.html

版权

统计机器学习专栏收录该内容

26 篇文章 0 订阅

订阅专栏

来自：https://www.cnblogs.com/ycwang16/p/5999034.html

虽然Kalman滤波器已经被广泛使用，也有很多的教程，但我们在Bayes滤波器的框架上，来深入理解Kalman滤波器的设计，对理解采用Gaussian模型来近似状态分布的多高斯滤波器(Guassian Multi-Hyperthesis-Filter)等都有帮助。

$\textbf{一. 背景知识回顾}$

1.1 Bayes滤波
首先回顾一下Bayes滤波. Bayes滤波分为两步：1.状态预测、 2.状态更新

状态预测，基于状态转移模型：
$\overline {bel} ({x_t}) = \int {p({x_t}|{u_t},{x_{t - 1}})} \;bel({x_{t - 1}})\;d{x_{t - 1}}$
状态更新，基于新的观测
$bel({x_t}) = \;\eta \,p({z_t}|{x_t})\,\overline {bel} ({x_t})$

我们可以看到，我们的目的是计算 $x_t$ 的后验概率，如果 $bel(x_t)$ 是任意分布，我们需要在 $x_t$ 的所有可能取值点上，计算该取值的概率，这在计算上是难于实现的。这一计算问题可以有多种方法来近似，比如利用采样的方法，就是后面要讲的粒子滤波和无迹Kalman滤波。

这节要说的近似方法是，当假设 $bel(x_t)$ 服从Gauss分布，那么我们只需要分布的均值和方差就可以完全描述 $bel(x_t)$ ,而无需在 $x_t$ 的每个可能取值点上进行概率计算。这也是用高斯分布来近似 $bel(x_t)$ 的好处，因为我们在每一个时刻，只需要计算均值 $\mu_t$ 和方差 $\Sigma_t$ 这两个数值，就可以对 $bel(x_t)$ 完全描述，所以我们就可以推导出这两个数值的递推公式，从而在每个时刻由这两个数值的递推公式完全获得状态估计，这就是The Kalman Filter的基本思想。

1.2 正态分布(Guassian Distribution)

然后我们再回顾一下正态分布的基础知识。正态分布是一种特殊的概率分布，分布的形态完全由二阶矩决定。一元高斯分布表述如下：
$\begin{array}{l} p(x)\sim N(\mu ,{\sigma ^2}):\\ p(x) = \frac{1}{{\sqrt {2\pi } \sigma }}{e^{ - \frac{1}{2}\frac{{{{(x - \mu )}^2}}}{{{\sigma ^2}}}}} \end{array}$

其中，一阶矩为均值 $\mu$ 表示期望值，二阶矩为方差 $\sigma$ 表示分布的不确定程度。

多元高斯分布的表达式为： $\begin{array}{l} p({\bf{x}})\sim {\rm N}({\bf{\mu }},{\bf{\Sigma }}):\\ p({\bf{x}}) = \frac{1}{{{{(2\pi )}^{d/2}}{{\left| {\bf{\Sigma }} \right|}^{1/2}}}}{e^{ - \frac{1}{2}{{({\bf{x}} - {\bf{\mu }})}^t}{{\bf{\Sigma }}^{ - 1}}({\bf{x}} - {\bf{\mu }})}} \end{array}$

一阶矩为均值 $\mu$ 表示期望值，二阶矩为方差 $\Sigma$ 表示分布的不确定程度。

1.3 正态分布的特点

在线性变换下，一旦高斯，代代高斯。

首先，高斯变量线性变换后，仍为高斯分布，均值和方差如下：

然后，两个高斯变量线性组合，仍为高斯分布，均值和方差如下：

在这里插入图片描述最后，两个相互独立的高斯变量的乘积，仍然为高斯分布，均值和方差如下：

正因为高斯分布有这些特点，所以，在Bayes滤波公式中的随机变量的加法、乘法，可以用解析的公式计算均值和方差，这使得Bayes滤波的整个计算过程非常简便，即Kalman滤波器的迭代过程。

$\textbf{二. Kalman滤波}$

2.1 Kalman滤波的模型假设

Kalman滤波所解决的问题，是对一个动态变化的系统的状态跟踪的问题，基本的模型假设包括：1）系统的状态方程是线性的；2）观测方程是线性的；3）过程噪声符合零均值高斯分布；4）观测噪声符合零均值高斯分布；从而，一直在线性变化的空间中操作高斯分布，状态的概率密度符合高斯分布。

状态方程

${x_t} = {A_t}{x_{t - 1}} + {B_t}{u_t} + {\varepsilon _t}$

观测方程
${z_t} = {H_t}{x_t} + {\delta _t}$

其中过程噪声 $\epsilon_t$ 假设符合零均值高斯分布；观测噪声 $\delta_t$ 假设符合零均值高斯分布。对于上述模型，我们可以用如下参数描述整个问题：

2.2 Kalman滤波器的模型

$x_t$ , $n$ 维向量，表示t时刻观测状态的均值.
$P_t$ , $n\times n$ 方差矩阵，表示 $t$ 时刻被观测的 $n$ 个状态的方差.
$u_t$ , $l$ 维向量，表示 $t$ 时刻的输入
$z_t$ , $m$ 维向量，表示 $t$ 时刻的观测
$A_t$ , $n\times n$ 矩阵，表示状态从 $t - 1$ 到 $t$ 在没有输入影响时转移方式
$B_t$ , $n\times n$ 矩阵表示 $u_t$ 如何影响 $x_t$
$H_t$ , $m\times n$ 表示状态 $x_t$ 如何被转换为观测 $z_t$
$R_t$ , $n\times n$ 矩阵，表示过程噪声 $\epsilon_t$ 的方差矩阵
$Q_t$ , $m\times m$ 矩阵,表示观测噪声 $\epsilon_t$ 的方差矩阵

在这里插入图片描述
上图给出了在没有观测，仅有输入 $u_t$ 时，状态变量的均值和方差从 $t - 1$ 到 $t$ 的转移方式，可见均值和方差的计算，完全是基于高斯分布的线性变化的方法来算的。

上图给出了Kalman滤波所解决的问题，即在获得 $t$ 时刻的输入和观测的情况下，如何更新 $x_t$ 的均值和方差的问题。当然 $u_t$ 和 $z_t$ 也并不是每一个时刻都需要同时获得，就像贝叶斯滤波一样，可以在获得 $u_t$ 时就做一次状态预测，在获得 $z_t$ 时做一次状态更新.

2.3 Kalman滤波算法

Kalman滤波整体算法如下:

$\boldsymbol{\cdot}$ 第一行基于转移矩阵和控制输入，预测 $t$ 时刻的状态.

$\boldsymbol{\cdot}$ 第二行是预测方差矩阵.

$\boldsymbol{\cdot}$ 第三行计算Kalman增益， $\boldsymbol{K_t}$

$\boldsymbol{\cdot}$ 第四行基于观测的新息进行状态更新

$\boldsymbol{\cdot}$ 第五行计算更新状态的方差矩阵。

可以看到算法的所有的精妙之处都在于第三行和第四行。我们可以这样来理解：

$({H_t}{\overline P _t}H_t^T + {Q_t})$ 代表对状态进行观测时，观测的不确定程度，它与Kalman增益 $\boldsymbol{K_t}$ 成反比，表示观测的可能噪声越大的时候，Kalman增益 $\boldsymbol{K_t}$ 越小。
再看第四行， $x_t$ 的更新是在 $\bar{x}_t$ 上加一个 $\boldsymbol{K_t}$ 乘以 $({z_t} - {H_t}{\overline x _t})$ . $({z_t} - {H_t}{\overline x _t})$ 代表的是预测的值与观测之间的差异，这个差异当预测和观测都比较接近于真实值时比较小。当观测不准，或者预测不准时都会比较大。而前面的乘子 $\boldsymbol{K_t}$ 是在观测噪声大的时候比较小，所以整个 $\boldsymbol{K_t}({z_t} - {H_t}{\overline x _t})$ 这个修正量，表示利用观测对预测结果的修正量。

$\qquad \cdot$ 当观测噪声比较小，预测误差比较大时修正幅度比较大

$\qquad \cdot$ 当观测噪声比较小预测误差比较小的时候，或者观测噪声比较大的时候，修正误差的幅度也比较小，从而起到了一种平滑的作用。

利用较准确的观测修正预测误差，不准确的观测修正量也较小，所以在误差较大的时候能快速修正，而在误差较小时能逐渐收敛。

$\textbf{2.4 Kalman滤波算法的推导}$
这里我们用Bayes公式，给出Kalman Filter是如何导出的。

系统的初始状态是：

$bel({x_0}) = N\left( {{\mu _0},{P_0}} \right)$

预测过程的推导

状态转移模型是线性函数

${x_t} = {A_t}{x_{t - 1}} + {B_t}{u_t} + {\varepsilon _t}$
所以，由 $x_{t−1}$ 到 $x_t$ 状态转移的条件概率为:
$p({x_t}|{u_t},{x_{t - 1}}) = N\left( {{A_t}{x_{t - 1}} + {B_t}{u_t},{R_t}} \right)$
回顾Bayes公式，计算预测状态的分布，需要考虑所有可能的 $x_{t−1}$
$\overline {bel} ({x_t}) = \int {p({x_t}|{u_t},{x_{t - 1}})} {\rm{ }}bel({x_{t - 1}})\;d{x_{t - 1}}$
这正是计算两个高斯分布的卷积的过程，参考文献[2]：
在这里插入图片描述

所以Kalman滤波器的预测过程，正是基于两个高斯分布的卷积计算得到的解析表达式。
3. 观测更新过程的推导

观测方程也是线性方程，并且噪声是高斯噪声
${z_t} = {H_t}{x_t} + {\delta _t}$
所以 $p(z_t|x_t)$ 的条件概率是高斯分布的线性变换计算：
$p({z_t}|{x_t}) = N\left( {{H_t}{x_t},{Q_t}} \right)$
再考虑贝叶斯公式的状态更新步骤
$bel({x_t}) = \,\quad \eta \quad \,p({z_t}|{x_t})\overline {bel} ({x_t})$
这正是两个高斯分布的乘积的问题，参考文献[2]
$\begin{array}{l} bel({x_t}) = \,\quad \eta \quad \,p({z_t}|{x_t})\quad \quad \quad \quad \quad \quad \overline {bel} ({x_t})\\ \quad \quad \quad \quad \quad \quad \quad \quad \Downarrow \quad \quad \quad \quad \quad \quad \quad \quad \Downarrow \\ \quad \quad \quad \quad \quad \sim N\left( {{z_t};{H_t}{x_t},{Q_t}} \right)\quad \quad \sim N\left( {{x_t};{{\overline \mu }_t},{{\overline P }_t}} \right)\\ \quad \quad \quad \quad \quad \quad \quad \quad \Downarrow \\ bel({x_t}) = \eta \;\exp \left\{ { - \frac{1}{2}{{({z_t} - {H_t}{x_t})}^T}Q_t^{ - 1}({z_t} - {H_t}{x_t})} \right\}\exp \left\{ { - \frac{1}{2}{{({x_t} - {{\bar \mu }_t})}^T}\bar P_t^{ - 1}({x_t} - {{\bar \mu }_t})} \right\}\\ \end{array}$
所以，基于求高斯变量乘积的分布的方法，可以导出结果仍然是高斯分布，用它的二阶矩表示:
在这里插入图片描述

所以状态更新中的Kalman增益，均值和方差的更新公式，都是这样导出的。

Kalman滤波的算法特点

Kalman滤波计算快速，计算复杂度为 $O(m^{2.376}+n^2)$ ，其中 $m$ 是观测的维数； $n$ 是状态的个数。
对于线性系统，零均值高斯噪声的系统，Kalman是理论上无偏的，最优滤波器。
Kalman滤波在实际使用中，要注意参数 $R$ 和 $Q$ 的调节，这两者实际上是相对的，表示更相信观测还是更相信预测。具体使用时， $R$ 可以根据过程噪声的幅度决定，然后 $Q$ 可以相对 $R$ 来给定。当更相信观测时，把 $Q$ 调小，不相信观测时，把 $Q$ 调大。
$Q$ 越大，表示越不相信观测，这是系统状态越容易收敛，对观测的变化响应越慢。 $Q$ 越小，表示越相信观测，这时对观测的变化响应快，但是越不容易收敛。