• 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Kalman Filter

人工智能 Hecttttttttt 2565次浏览 0个评论

卡尔曼滤波小记

  • 核心思想
  • 痛苦的证明
    • 预测
      • 状态转移方程&预测值
      • 预测值的误差协方差矩阵
    • 更新
      • 获得估计值
      • 卡尔曼增益
      • 估计值的误差协方差
  • 理清思路
  • 扩展卡尔曼滤波

年少不知记笔记,老来方恨看不懂……本文从三方面进行,首先是卡尔曼滤波的思想,然后对卡尔曼滤波进行公式推导,最后是对卡尔曼滤波进行总结。  

核心思想

取自知乎Kent Zeng的回答:点击链接,我对他的回答进行了例子的补充。 1、假设你有两个传感器,测的是同一个信号。可是它们每次的读数都不太一样,怎么办? 取平均。 2、再假设你知道其中贵的那个传感器应该准一些,便宜的那个应该差一些。那有比取平均更好的办法吗? 加权平均。 怎么加权?假设两个传感器的误差都符合正态分布,假设你知道这两个正态分布的方差,用这两个方差值,(此处省略若干数学公式),你可以得到一个“最优”的权重。 Example:比如GPS和IMU测量值,GPS可以测量你走过的路,IMU也可以,它们的误差都满足正态分布,那我们也可以通过它们的误差协方差矩阵调整权重进行融合。   3、接下来,重点来了:假设你只有一个传感器,但是你还有一个数学模型。模型可以帮你算出一个值,但也不是那么准。怎么办? 把模型算出来的值,和传感器测出的值,(就像两个传感器那样),取加权平均。 Example:一个机器人当前状态是5米每秒,做匀速运动,且搭载雷达可测距,当前机器人距离障碍物20米,下一秒我们可以通过数学模型预测得到机器人距离障碍物还有15米(估计值),而此时雷达测距17米(观测值),然后我们就要看估计值和观测值的准确度,其实就是方差(多元的话是协方差矩阵),方差大权重就低,反之则高。  

痛苦的证明

又到了痛苦的时候。 首先搞清楚几个概念: 预测值:通过预测方程得到的值,有噪声 观测值:通过观测方程得到的值,有噪声 估计值:最后得到的值,有噪声 标准值:无噪声,不可能得到的值 误差协方差:描述这个值的可信度,越小越好 我们要得到什么? K时刻刚开始到来的时候,我们拥有K-1时刻的估计值以及它的误差协方差(可信度)。 那么K时刻结束时,我们要求拥有K时刻的估计值以及它的误差协方差(可信度)。  

预测

状态转移方程&预测值

假设一台车的状态可以表示为位置和速度,假设有一台车,正在做加速运动(也就是有加速度),那么他的运动方程可以写成这种形式:  
卡尔曼滤波Kalman Filter
卡尔曼滤波Kalman Filter
卡尔曼滤波Kalman Filter  

卡尔曼增益

首先,卡尔曼增益可以看成是一个权重。根据上述式子,我们得到了两个值,预测值和观测值,简单来说,要想得到最后的估计值,那我们就可以把两者进行加权平均。因此,卡尔曼增益的作用,就是分配模型预测的状态和传感器测量的状态之间的权重。 接下来,让我们来算一算卡尔曼增益,在算卡尔曼增益之前,我们先算算估计值的误差协方差是怎么样一个形态。  
卡尔曼滤波Kalman Filter
卡尔曼滤波Kalman Filter
卡尔曼滤波Kalman Filter  
卡尔曼滤波Kalman Filter   以上,证明完毕……

理清思路

1、我们拥有上一时刻的估计值,上一时刻估计值的误差协方差矩阵。 2、通过数学模型计算预测值、以及预测值和真实值之间的误差协方差矩阵。 3、计算卡尔曼增益,并得到估计值。 4、计算估计值与标准值之间的误差协方差矩阵。

扩展卡尔曼滤波

扩展卡尔曼滤波和卡尔曼滤波的不同之处就在于,他的状态转移方程和观测方程是非线性的,我们只需要对两方程进行泰勒展开即可。 参考文献: 证明过程参考此处 https://www.jianshu.com/p/9214a94b26ca https://blog.csdn.net/victor_zy/article/details/82862904 https://www.cnblogs.com/bonelee/p/9210821.html https://zh.wikipedia.org/wiki/%E5%8D%A1%E5%B0%94%E6%9B%BC%E6%BB%A4%E6%B3%A2        


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Kalman Filter
喜欢 (0)

您必须 登录 才能发表评论!

加载中……