EKF协方差矩阵理解

最新推荐文章于 2023-05-15 14:43:11 发布
最新推荐文章于 2023-05-15 14:43:11 发布
阅读量3.8k 收藏 7
点赞数 1
分类专栏： 建图和定位
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/ziliwangmoe/article/details/86729363
版权
  • 对角元素代表整体的不确定度，画成椭圆就是和椭圆的平均半径有关。
  • 非对角元素越大，椭圆越椭。一方面说明某些变量的相关度变大了，但本质是本来一个大大的正圆的两侧被消掉了，所以变成了椭圆，所以本质是不确定度变小了。
  • 所以使用EKF的时候观察协方差的变化，经常是一个对角矩阵，对角元素的值越来越小，非对角元素的值越来越大
  • 观察方程中只要一个观察值同时有多个状态影响，就会在这些状态间产生相关性。所以如果只有一个观察量，对应只有一个方程的化。这个方程的变量之间一定是有无穷多个解的。
  • 使用这个方程更新协方差后，虽然得不出来具体一个值，但是协方差的某些区域不确定度变小了，正圆也就变成椭圆了。这些变量之间也就产生的相关性。
  • 仍然可以用协方差的椭圆图像来理解。update之前的状态不确定度对应一个椭圆，观察量对应一个椭圆。像个椭圆叠加相乘。如果观察量对应的不确定度是个椭圆，而状态不确度是个正圆。相乘后结果也是椭圆。要怎么把椭圆变成更小的元呢？那就需要再乘一个不同方向的椭圆。这个就对应增加了观察量（多了方程）。不管是同时更新（一个时刻观察到很多landmark）。还是下一个时刻从另外一个方向观察（状态发生变化，线性化后的H矩阵也变化了）
chamomoe
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Ardupilot EKF3核心算法《状态量的协方差矩阵推导》
陌城烟雨
01-03 752
本节主要记录Ardupilot EKF3核心算法《状态量的协方差矩阵》的推导过程。
Ardupilot EKF3核心算法《初始化四元数和旋转矢量协方差矩阵》
陌城烟雨
01-10 349
本节主要讲解Ardupilot EKF3核心算法《初始化四元数和旋转矢量协方差矩阵》，这里用到EKF协方差计算的只是和旋转矢量和四元数转换关系欢迎批评指正！！！通过这个初始化，我们可以掌握如何计算四元数及旋转矢量的初始协方差，同时我们需要掌握旋转矢量和四元数之间的转换关系。
卡尔曼滤波_3(EKF)
Duino的工具箱
08-07 4816
EKF在估计理论中，EKF是KF的非线性版本，对当前估计的均值和协方差进行线性化。
协方差矩阵剖析
cuigezhi4490的博客
05-16 3848
今天看论文的时候又看到了协方差矩阵这个破东西，以前看模式分类的时候就特困扰，没想到现在还是搞不清楚，索性开始查协方差矩阵的资料，恶补之后决定马上记录下来，嘿嘿~本文我将用自认为循序渐进的方式谈谈协方差矩阵。统计学的基本概念学过概...
关于协方差矩阵的理解
weixin_30522095的博客
09-09 1146
在《主成分分析》中，我们用到了协方差矩阵，但当时并没有对其进行深入的讨论。为此，本文将针对协方差矩阵做一个详细的介绍，其中包括协方差矩阵的定义、数学背景与意义以及计算公式的推导。 若需要本文完整的 PDF 文档，请点击《协方差矩阵详谈》进行下载！ 作者: peghoty 出处:http://blog.csdn.net/itplus/artic...
深入理解如何不费吹灰之力搭建一个无人驾驶车（三）2D-小车拓展部分（AMCL+EKF）（EKF协方差矩阵如何写？）
qq_38588806的博客
03-05 5240
三、2D小车定位拓展 本文讲一下不是很难的高中部分，主要是AMCL及EKF，两种定位方法 3.1 AMCL定位 首先讲一下AMCL算法，自适应蒙特卡罗粒子滤波定位，其实在gmapping中，我们就要用轮式里程计的odom产生粒子，有些东西，讲大家可能不懂，可以见概率机器人或机器人学状态估计，在贝叶斯滤波中，置信度的更新是靠观测，即一个归一化系数*P(Zt|xt)*预测置信度bel(xt)，这个预测...
EKF优化：协方差coff计算公式、意义、Code优化
alppkk4545的博客
11-13 418
复习！复习！ 原文链接：http://blog.csdn.net/goodshot/article/details/8611178 1.代码： Matlab相关系数的意义： Eigen::MatrixXf correlation_matrix = corrcoef( LocM ); 对行向量求相关系数 , 与列数无关，返回cols...
详解协方差与协方差矩阵
Vinicier的专栏
01-11 980
详解协方差与协方差矩阵 协方差的定义 对于一般的分布，直接代入E(X)之类的就可以计算出来了，但真给你一个具体数值的分布，要计算协方差矩阵，根据这个公式来计算，还真不容易反应过来。
卡尔曼滤波器-先验估计、后验估计、卡尔曼增益、先验误差协方差矩阵、更新协方差矩阵公式详细数学推导 | 由卡尔曼滤波器推导扩展卡尔曼滤波器
小浪宝宝的博客
05-15 693
xk=Axk−1+Buk−1+wk−1zk=Hxk+vk \begin{align*} x_k&=Ax_{k-1}+Bu_{k-1}+w_{k-1}\\ z_k&=Hx_k+v_k \end{align*} xk​zk​​=Axk−1​+Buk−1​+wk−1​=Hxk​+vk​​   首先给出状态空间方程，其中xkx_kxk​是状态变量，AAA是状态矩阵，BBB是控制矩阵，uk−1u_{k-1}uk−1​是控制，wk−1w_{k-1}wk−1​是过程噪声，过程噪声是不可测的，是不确定性的一种表现，但是在自
无迹卡尔曼滤波估计中协方差矩阵非正定怎么处理
07-13
3. 使用其他滤波器：如果协方差矩阵非正定问题无法解决，可以考虑使用其他滤波器，如扩展卡尔曼滤波器（Extended Kalman Filter，EKF）或粒子滤波器（Particle Filter），它们对协方差矩阵的要求较低。 需要根据...
用matlab画误差椭圆代码-pythonMCMC:基于Python的MCMC软件包列表
05-20
用matlab画误差椭圆代码基于Python的MCMC软件包的列表。 另外，这里还有一个不错的清单。 abcpmc 基于序列蒙特卡洛（SMC）和粒子滤波技术的Python近似贝叶斯计算（ABC）人口蒙特卡洛（PMC）实现。 特征： 完全在Python中实现且易于扩展 遵循博蒙特等。 2009 PMC算法 与多处理或消息传递接口（MPI）并行 可通过k近邻（KNN）或最佳局部协方差矩阵（OLCM）插管内核进行扩展（Fillipi et al.2012） IPython笔记本中的详细示例 | | ABCpy ABCpy是一个用Python编写的科学库，用于在没有似然函数的情况下进行贝叶斯不确定性量化，该库并行化了现有的近似贝叶斯计算（ABC）算法和其他无似然推理方案。 目前包括： 拒绝 PMCABC（蒙地卡罗人口ABC） SMCABC（顺序蒙特卡洛ABC） RSMCABC（补货SMC-ABC） APMCABC（适应性人口蒙特卡洛ABC） SABC（模拟退火ABC） ABCsubsim（使用子集模拟的ABC） 使用似然函数的近似值的PMC（蒙特卡洛人口） 随机森林模型选择方案 半自动摘要选择
error_ellipse:绘制一个误差椭圆，描述给定协方差矩阵的置信区间。-matlab开发
05-30
% ERROR_ELLIPSE - 绘制误差椭圆或椭球，定义% 置信区间% ERROR_ELLIPSE(C22) - 给定一个 2x2 协方差矩阵，绘制% 相关误差椭圆，在原点。 它返回一个图形句柄绘制的椭圆的百分比。 % % ERROR_ELLIPSE(C33) - 给定一个 3x3 协方差矩阵，绘制% 相关误差椭球，在原点，以及它的投影% 到三个轴上。 返回一个包含 4 个图形句柄的向量，用于% 三个椭圆（分别在 XY、YZ 和 ZX 平面中）和% 椭球体。 % % ERROR_ELLIPSE(C,MU) - 绘制以 % MU 为中心的椭圆或椭球，该向量的长度应与 C 的长度相匹配（即 2x2 % 或 3x3）。 % % ERROR_ELLIPSE(...,'Property1',Value1,'Name2',Value2,...) 集指定属性值的百分比，包括： % 'C' - 指定协
多目标追踪——拓展卡尔曼滤波（EKF）
weixin_43129599的博客
04-21 2214
Reference： 示例1：https://github.com/smartleizi/KalmanFilter-Demo/blob/master/Kalman.m 示例2：https://blog.csdn.net/weixin_46136963/article/details/110142993 示例3：https://www.mathworks.com/help/fusion/ug/extended-kalman-filters.html 不讲原理，只给实例。EKF状态转换关系如下： 示例1：匀速
EKF优化：协方差coff公式、意义、SLAM中的Code优化
wishchinYang的专栏
11-13 3645
复习！复习！原文链接：http://blog.csdn.net/goodshot/article/details/8611178 1.代码：Matlab相关系数的意义： Eigen::MatrixXf correlation_matrix = corrcoef( LocM ); 对行向量求相关系数 , 与列数无关，返回cols()*cols()矩阵... 翻译成Eigen： 还是...
robot_pose_ekf初始化odometry协方差矩阵
cabinx的博客
05-22 7235
      在使用robot_pose_ekf时，常遇到接收到的odometry数据格式错误的问题。一个可能的原因为底盘或其他设备发布odometry数据的协方差矩阵默认为0矩阵。解决的方法由两种：一种为在底盘将信息封装发布前对协方差矩阵进行初始化；另一种方法为在robot_pose_ekf中添加判断，如果接收到的odometry信息的协方差矩阵没有进行初始化，则进行初始化。        做工程...
【EKF】卡尔曼滤波原理
咸鱼漫谈的博客
05-08 1486
1）当估计误差远大于测量误差时，k>>1，此时 x_hat(k) = x_hat(k-1) + z(k) - x_hat(k-1) = z(k)，此时就完全信任测量值。在上一小节中求解出了卡尔曼增益的表达式，但在表达式中的先验误差的协方差矩阵 P-(k) 的未知的，因此接下来就需要求解先验误差的协方差矩阵 P-(k)。结合上面的两个公式，对 w，v 来说，期望值都为0 ，也就是 E(w) = 0，E(v) = 0，则。其中 e(k) 表示估计误差，x(k) 表示真实值，x_hat(k) 表示后验估计值。
matlab协方差椭圆,将位置置信椭圆转换为协方差矩阵
weixin_33139087的博客
03-25 931
感谢公开提出这个问题，因为我需要进行类似的转换 - 从2d标准偏差椭球转换为2x2协方差矩阵 . 对于另一种方式，有很多参考资料，但我发现的唯一参考是在下面，这使我得出结论，你犯了一个小错误，但你的推导带来了更多的清晰度 . 在这里比较http://simbad.u-strasbg.fr/Pages/guide/errell.htx我们知道，对于非核心随机值，协方差矩阵是对角线的，并且在其对角线元...
协方差矩阵学习
xingeaihaozhe
11-06 2798
一、多维随机变量的协方差矩阵 对多维随机变量列向量，我们往往需要计算各维度之间的协方差，这样协方差就组成了一个n×n的矩阵，称为协方差矩阵。协方差矩阵是一个对角矩阵，对角线上的元素是各维度上随机变量的方差。 我们定义协方差为, 矩阵内的元素为 协方差矩阵为 二、样本的协方差矩阵 与上面的协方差矩阵相同，只是矩阵内各元素以样本的协方差替换。假设数据集表示m个样本， 每个样本表示为。所有样本可以组...
卡尔曼滤波总结(KF、EKF、UKF)
weixin_44103355的博客
03-13 1430
卡尔曼滤波的前提是它认为系统都是线性的，如果状态转移函数是线性的，那么在经历线性变换之后，分布保持其高斯特性；在这种情况下，可以使用扩展卡尔曼滤波算法（EKF），它把非线性函数在当前估算状态的平均值附近进行线性化，每一个时间步执行线性化，然后将得到的雅克比矩阵用于预测和更新卡尔曼滤波算法。简单的说，由于系统通常是非线性的，于是我用近似线性化的方法，对所求时刻的函数进行一阶泰勒展开得到一个近似的线性化方程，在此基础上运用卡尔曼滤波算法求解。3)协方差矩阵计算的是不同维度之间的协方差，而不是不同样本之间的。
卡尔曼滤波更新协方差矩阵的多个形式
最新发布
07-28
卡尔曼滤波更新协方差矩阵有多种形式，取决于系统模型的具体形式以及观测模型的类型。以下是一些常见的形式： 1. 离散时间线性系统的卡尔曼滤波： - 无控制输入的情况下，协方差矩阵的更新公式为： P = A * P * A^T + Q 其中，P为先验估计的协方差矩阵，A为状态转移矩阵，Q为过程噪声的协方差矩阵。 - 带有控制输入的情况下，协方差矩阵的更新公式为： P = A * P * A^T + B * U * B^T + Q 其中，U为控制输入向量，B为控制输入矩阵。 2. 非线性系统的卡尔曼滤波（扩展卡尔曼滤波）： 在非线性系统中，状态转移和观测模型可以通过非线性函数进行描述。扩展卡尔曼滤波（EKF）使用线性化的近似来处理非线性模型。在EKF中，卡尔曼滤波的更新步骤与离散时间线性系统类似，但是将非线性函数的雅可比矩阵（即状态转移和观测模型的偏导数）作为线性近似的因子。 3. 非线性系统的卡尔曼滤波（无迹卡尔曼滤波）： 无迹卡尔曼滤波（UKF）是另一种处理非线性系统的方法。UKF通过使用一组特殊选择的样本点（称为Sigma点）来近似非线性函数的统计特性。UKF中的协方差矩阵更新步骤与线性系统类似，但是使用Sigma点来计算均值和协方差的近似值。 这些是卡尔曼滤波更新协方差矩阵的一些常见形式，具体使用哪种形式取决于系统模型和观测模型的特点。
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