Sensor Fusion系列文章
传感器融合是将多个传感器采集的数据进行融合处理,以更好感知周围环境;这里首先介绍传感器融合相关的知识,包括卡尔曼滤波器基础,扩展卡尔曼滤波器,无损卡尔曼滤波器等。
系列文章目录
1. 卡尔曼滤波器基础
高斯概率分布介绍
卡尔曼滤波器是一种基于高斯概率分布的系统状态估计技术。
高斯分布(Gaussian Distribution)的概率密度函数(probability density function):
f ( x ) = 1 2 π σ e x p ( − ( x − μ ) 2 2 σ 2 ) f(x)=\frac{1}{\sqrt{2\pi}{\sigma}}exp(-\frac{(x-\mu)^2}{2{\sigma}^2}) f(x)=2πσ1exp(−2σ2(x−μ)2)
即X服从均值 μ \mu μ,方差 σ 2 {\sigma}^2 σ2的正态分布 X ∼ N ( μ , σ 2 ) X \sim N(\mu,{\sigma}^2) X∼N(μ,σ2)
卡尔曼滤波器中,假设物体的状态服从概率分布,卡尔曼滤波器估计物体最可能的位置(均值 μ \mu μ)和概率分布(方差 σ 2 {\sigma}^2 σ2)。其中均值 μ \mu μ处概率最大,往两侧概率逐渐降低;方差 σ 2 {\sigma}^2 σ2越小,表示均值 μ \mu μ处置信度越高,估计的位置就越准确。
预测(Prediction)&更新(Update)
卡尔曼滤波器基于高斯概率分布估计物体的位置。卡尔曼滤波主要通过预测(Prediction)&更新(Update)循环迭代实现位置估计:①预测(Prediction):当物体移动时,我们预测车辆的状态;②更新(Update):根据传感器测量值更新我们的估计。
运动过程的预测符合全概率公式(Law of total probability),假设 t t