• 欢迎访问开心洋葱网站,在线教程,推荐使用最新版火狐浏览器和Chrome浏览器访问本网站,欢迎加入开心洋葱 QQ群
  • 为方便开心洋葱网用户,开心洋葱官网已经开启复制功能!
  • 欢迎访问开心洋葱网站,手机也能访问哦~欢迎加入开心洋葱多维思维学习平台 QQ群
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏开心洋葱吧~~~~~~~~~~~~~!
  • 由于近期流量激增,小站的ECS没能经的起亲们的访问,本站依然没有盈利,如果各位看如果觉着文字不错,还请看官给小站打个赏~~~~~~~~~~~~~!

卡尔曼滤波 —— 各路大神和自己的总结

人工智能 芝士奶盖 1325次浏览 0个评论

卡尔曼滤波 —— 各路大神和自己的总结   首先分成两个Part吧:直观公式。  

预备知识

  1. 协方差矩阵是对称矩阵,对角线上是各维度本身的方差,其他是不同维度间的协方差;   2. 贝叶斯公式:卡尔曼滤波 —— 各路大神和自己的总结 3. 多维高斯分布:卡尔曼滤波 —— 各路大神和自己的总结   4. 期望和协方差矩阵: 在[公式] 时,[公式]
卡尔曼滤波 —— 各路大神和自己的总结


 

直观部分

  先来说一说直观的。借鉴了这篇的图文:https://courses.engr.illinois.edu/ece420/sp2017/UnderstandingKalmanFilter.pdf   对一个小车的状态进行估计,假设无外力作用,即保持初速度持续不断的运动。假设马尔科夫性,即 
[公式] 只与 
[公式] 有关,给出一个递推方程 
[公式] 。理论上可以通过这个方程求出任意时刻的状态,但是事实上会受到不确定因素的影响。   我们假设每个状态分量受到的不确定因素(噪声)服从正态分布,那么小车的状态分量也就服从正态分布,现在对小车进行状态估计。   卡尔曼滤波 —— 各路大神和自己的总结   上图是t=0时小车的位置服从的状态分布。   卡尔曼滤波 —— 各路大神和自己的总结   通过公式预测出小车在t=1时刻位置的正态分布(如上图)。   因为加了噪声,所以不确定度增加了,分布也变宽了。这时为了避免不确定度带来的偏差,用传感器测量一次小车的位置,如下图深色分布:   卡尔曼滤波 —— 各路大神和自己的总结   当然,传感器测量同样有不确定因素的干扰,这时,你该相信哪个呢?传感器也可能出错,估计方程也有偏差,这里就需要加权,卡尔曼滤波的K,也就是卡尔曼增益就是这个权重。这里捎带着提一下 
[公式] 后面会在公式部分进行推导,这里的 
[公式] 就是方程推算是一个后验概率, 
[公式] 和 
[公式] 都是传感器观测方程的参数。   卡尔曼滤波 —— 各路大神和自己的总结   加权后的结果就是图中绿色部分了。  


公式推导部分

  这里我使用的是视觉SLAM十四讲中的最大后验概率推导,可能比书上看的明朗些,因为高博喜欢不写中间过程或者不给出之前从哪得到过的结论,直接拿来用。   声明: 
[公式] 是后验概率, 
[公式] 是先验概率   状态估计和观测模型的方程:① 
[公式]   可以看出是线性方程。  
[公式] 先验与 
[公式] 的方程:② 
[公式] , 
[公式] 的均值是0,故不加在 
[公式] 上了。   要求算的方程: 
[公式]  

意义:后验是由先验信息 
[公式] 和其他信息 
[公式] 综合得出的

  等式右侧都符合高斯分布,为啥子?因为噪声都是高斯分布的且是以0为均值,加上估计值当然是以估计值为均值的高斯分布了。   那么我们可以这样写:③ 
[公式] ,在②式中给出了 
[公式] 的均值、协方差矩阵的求法。   随后我们对③式中高斯分布的二次项进行计算:   高斯分布公式:(看到exp后面的了吧)
[公式]   推导:   卡尔曼滤波 —— 各路大神和自己的总结   ①这个式子后面我们会用到!   ②步将 
[公式] 这就是卡尔曼增益。   这样就有了 
[公式] ,可以注意到这里的卡尔曼增益是用了 
[公式] 算出来的,感觉有点转圈圈,就是要求的东西放到求解的式子里了好像没有移项。   这里我们使用刚才推导给出的①式对 
[公式] 继续推: 就有了:

卡尔曼滤波 —— 各路大神和自己的总结

  根据SMW(Sherman-Morrison-Woodbury)恒等式:  

卡尔曼滤波 —— 各路大神和自己的总结

  上述的最后一个恒等式,可得: 
[公式] 。   好了现在要求的后验概率已经求出了协方差,还有均值要求解,对③式中高斯分布的一次项进行计算: 卡尔曼滤波 —— 各路大神和自己的总结   其中式①是将等号左右均求转置,由于协方差矩阵是对称矩阵,所以不变。式②使用了 
[公式] 和 
[公式] 。最终得到了 
[公式] 即如何递归的求解均值。   到这里公式部分就结束了。  


开心洋葱 , 版权所有丨如未注明 , 均为原创丨未经授权请勿修改 , 转载请注明卡尔曼滤波 —— 各路大神和自己的总结
喜欢 (0)

您必须 登录 才能发表评论!

加载中……