kalman滤波算法理解

kalman算法

kalman滤波器论文《A New Approach to Linear Filtering and Prediction Problems》，有时间可以看一下。

kalman滤波的定义：

卡尔曼滤波的一个典型实例是从一组有限的，包含噪声的，对物体位置的观察序列（可能有偏差）预测出物体的位置的坐标及速度。在很多工程应用(如雷达、计算机视觉)中都可以找到它的身影。同时，卡尔曼滤波也是控制理论以及控制系统工程中的一个重要课题。例如,对于雷达来说，人们感兴趣的是其能够跟踪目标。但目标的位置、速度、加速度的测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息，设法去掉噪声的影响，得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波)，也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑)。

我目前应用到的是对一个时间观测序列进行平滑。也就是对过去位置的估计。用于目标物体轨迹的跟踪。
因为最基础的kalman filter是线性滤波器，并且使用的参数有些提前的设置，所以kalman filter是有使用条件的。还有一些kalman filter的变种。我只用到了基础的就可以满足我的应用场景。

kalman的最中心的思想是，使用系统内部预测值，和实际观测值来计算出一个最优的值（这些值在已有的参数设置下是最少噪声的，因为难以做到完全去除。）

那么如何使用两个已经有的值去计算最优值，一般想到的就是这两个值得加权平均。这个权，表示哪个更加重要，哪个貌似噪音更少，就对最优结果更有贡献力。

下面是kalman的5个公式，可以分为两部分：
看不下去