文章目录
Kalman滤波的感性认识
对于线性系统一般状态方程涉及到两个,由这两个方程估计状态量:
- 运动方程: x k = f ( x k − 1 , u k ) + ω k x_k = f(x_{k-1},u_k)+\omega_k xk=f(xk−1,uk)+ωk (由上一时刻状态怎么得到当前时刻的状态)
- 观测方程: z k = h ( x k ) + v k z_k = h(x_k) +v_k zk=h(xk)+vk(在当前时刻的状态下产生了怎样的观测)
假设所有分布都是高斯分布,从上时刻 x k − 1 x_{k-1} xk−1根据运动方程得到的 x k x_k xk 服从一个高斯分布 G 1 G_1 G1;我们得到的观测(传感器直接测量) z k z_{k} zk也是高斯分布,从它根据观测方程推出的 x k x_k xk是另一个高斯分布 G 2 G_2 G2;最后我们由两个状态方程得到关于 x k x_{k} xk的两个高斯分布 G 1 和 G 2 G_1和G_2 G1和G2,卡尔曼滤波结果就是把 G 1 和 G 2 G_1和G_2 G1和G2相乘得到更确定的估计。
相关高斯分布公式总结
-
一维高斯分布: N ( μ , σ 2 ) = 1 2 π σ e x p ( − 1 2 ( x − μ ) 2 σ 2 ) N(\mu ,\sigma^2 )=\frac{1}{\sqrt{2\pi}\sigma}exp\left ( -\frac{1}{2} \frac{(x-\mu)^{2}}{\sigma^{2} }\right ) N(μ,σ2)=2πσ1exp(−21σ2(x−μ)2)
-
多维高斯分布: N ( μ , Σ ) = 1 ( 2 π ) N d e t ( Σ ) e x p ( − 1 2 ( x − μ ) ⊤ Σ − 1 ( x − μ ) ) N(\bm{ \mu }, \Sigma)=\frac{1}{\sqrt{(2\pi)^{N}det(\Sigma)}}exp\left ( -\frac{1}{2} (\bm{x}-\bm{\mu})^\top \Sigma^{-1} (\bm{x}-\bm{\mu})\right ) N(μ,Σ)=(2π)Ndet(Σ)1exp(−21(x−μ)⊤Σ−1(x−μ))
- 两个独立的高斯分布: x ∼ N ( μ x , Σ x x ) \bm{x}\sim N(\bm{\mu_{x}}, \bm{\Sigma_{xx}}) x∼N(μx,Σxx) 和 y ∼ N ( μ y , Σ y y ) \bm{y}\sim N(\bm{\mu_{y}}, \bm{\Sigma_{yy}}) y∼N(μy,Σyy)相加的结果依然是高斯分布: x + y ∼ N ( μ x + μ y , Σ x x + Σ y y ) \bm{x}+\bm{y} \sim N(\bm{\mu_{x}}+\bm{\mu_{y}},\bm{\Sigma_{xx}}+\bm{\Sigma_{yy}}) x+y∼N(μx+μy,Σxx+Σyy)
- 如果一个常数 a a a乘以高斯分布 x ∼ N ( μ x , Σ x x ) \bm{x}\sim N(\bm{\mu_{x}}, \bm{\Sigma_{xx}}) x∼N(μx,Σxx),那么 a x a\bm{x} ax服从: a x ∼ N ( a μ x , a 2 Σ x x ) a\bm{x}\sim N(a\bm{\mu_{x}}, a^2\bm{\Sigma_{xx}}) ax∼N(aμx,a2Σxx)
- 如果 y = A x \bm{y}=\bm{Ax} y=Ax, x ∼ N ( μ x , Σ x x ) \bm{x}\sim N(\bm{\mu_{x}}, \bm{\Sigma_{xx}}) x∼N(μx,Σxx),则 y \bm{y} y满足: y ∼ N ( A μ x , A Σ x x A T ) \bm{y}\sim N(\bm{A\mu_{x}}, \bm{A\Sigma_{xx}A^T}) y∼N(Aμx,AΣ