卡尔曼滤波公式通俗理解

2024-09-01 18:08

本文主要是介绍卡尔曼滤波公式通俗理解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文需要配合博客卡尔曼滤波详解进行理解

1.简单介绍

参考卡尔曼滤波详解
简单介绍
上面可简化理解为
简化理解

2.主要过程

主要过程还是参考卡尔曼滤波详解
图1
图2
图3

3.实例

这里以线性运动为例

3.1 前期定义状态和变量
3.1.1分析运动情况

已知线性运动上一状态和当前状态的关系,假设没有噪声干扰,为
{ x ′ = x + v x Δ t y ′ = y + v y Δ t \begin{cases} x'=x+v_x \Delta t \\ y'=y+v_y \Delta t \\ \end{cases} {x=x+vxΔty=y+vyΔt

3.1.2 定义跟踪状态和状态转移矩阵

[ x y v x v y ] \left[ \begin{matrix} x \\ y \\ v_x \\ v_y \\ \end{matrix} \right] xyvxvy
则根据3.1.1可以得到状态转移关系
[ x ′ y ′ v x ′ v y ′ ] = [ 1 0 Δ t 0 0 1 0 Δ t 0 0 1 0 0 0 0 1 ] [ x y v x v y ] \left[ \begin{matrix} x' \\ y' \\ v_x' \\ v_y' \\ \end{matrix} \right]= \left[ \begin{matrix} 1 & 0 & \Delta t & 0\\ 0 & 1 & 0 & \Delta t \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \\ \end{matrix} \right] \left[ \begin{matrix} x \\ y \\ v_x \\ v_y \\ \end{matrix} \right] xyvxvy=10000100Δt0100Δt01xyvxvy

A = [ 1 0 Δ t 0 0 1 0 Δ t 0 0 1 0 0 0 0 1 ] A=\left[ \begin{matrix} 1 & 0 & \Delta t & 0\\ 0 & 1 & 0 & \Delta t \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \\ \end{matrix} \right] A=10000100Δt0100Δt01
加上状态转移噪声
x k = A x k − 1 + w x_k=Ax_{k-1}+w xk=Axk1+w

3.1.3 定义状态到观测转移矩阵

由于在实际过程中,我们只观测到位置 [ z x z y ] \left[ \begin{matrix} z_x \\ z_y \\ \end{matrix} \right] [zxzy]所以我们要得到从跟踪状态 [ x y v x v y ] \left[ \begin{matrix} x \\ y \\ v_x \\ v_y \\ \end{matrix} \right] xyvxvy [ z x z y ] \left[ \begin{matrix} z_x \\ z_y \\ \end{matrix} \right] [zxzy]的转换矩阵,假设我们观察的位置没有噪声干扰则:
[ z x z y ] = [ 1 0 0 0 0 1 0 0 ] [ x y v x v y ] \left[ \begin{matrix} z_x \\ z_y \\ \end{matrix} \right]= \left[ \begin{matrix} 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ \end{matrix} \right] \left[ \begin{matrix} x \\ y \\ v_x \\ v_y \\ \end{matrix} \right] [zxzy]=[10010000]xyvxvy

H = [ 1 0 0 0 0 1 0 0 ] H=\left[ \begin{matrix} 1 & 0 & 0 & 0 \\ 0 & 1 & 0 & 0 \\ \end{matrix} \right] H=[10010000]
加上测量噪声可得到
z k = H x k + v z_k=Hx_k+v zk=Hxk+v
由上面三部我们就基本把所需要的变量定义完了,下面就需要进行预测和矫正了

3.4 卡尔曼滤波过程

假设我们来了一帧数据
[ z x z y t ] \left[ \begin{matrix} z_x \\ z_y \\ t \\ \end{matrix} \right] zxzyt
其中 [ z x z y ] \left[ \begin{matrix} z_x \\ z_y \\ \end{matrix} \right] [zxzy]为观测数据, t t t为当前时间,则进行下面步骤:

  • (预测)根据 t t t和上一帧位置,预测当前帧位置,同时计算预测误差 P k ‾ \overline{P_k} Pk
  • (矫正)求出卡尔曼增益,计算最优位置估计,计算当前估计误差 P k P_k Pk
3.2.1 预测

求出 Δ t = t − t p r e \Delta t=t-t_{pre} Δt=ttpre,根据3.1.1估算当前位置
[ x ′ y ′ v x ′ v y ′ ] = [ 1 0 Δ t 0 0 1 0 Δ t 0 0 1 0 0 0 0 1 ] [ x y v x v y ] \left[ \begin{matrix} x' \\ y' \\ v_x' \\ v_y' \\ \end{matrix} \right]= \left[ \begin{matrix} 1 & 0 & \Delta t & 0\\ 0 & 1 & 0 & \Delta t \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \\ \end{matrix} \right] \left[ \begin{matrix} x \\ y \\ v_x \\ v_y \\ \end{matrix} \right] xyvxvy=10000100Δt0100Δt01xyvxvy
x k ^ ‾ = A x k − 1 ^ \overline{\hat{x_k}}=A\hat{x_{k-1}} xk^=Axk1^
计算当前估计误差,结合基本公式(过程噪声 Q Q Q)
P k ‾ = A P k − 1 A T + Q \overline{P_k}=AP_{k-1}A^T+Q Pk=APk1AT+Q

3.2.2 矫正

结合基本公式
计算卡尔曼增益(测量噪声 R R R)
K k = P k ‾ H T ( H P k ‾ H T + R ) − 1 K_k=\overline{P_k}H^T(H\overline{P_k}H^T+R)^{-1} Kk=PkHT(HPkHT+R)1
计算最优位置估计
x k ^ = x k ^ ‾ + K k ( z k − H x k ^ ‾ ) \hat{x_k}=\overline{\hat{x_k}}+K_k(z_k-H\overline{\hat{x_k}}) xk^=xk^+Kk(zkHxk^)
计算估计误差
P k = ( I − K k H ) P k ‾ P_k=(I-K_kH)\overline{P_k} Pk=(IKkH)Pk

3.2.3 实际过程

综上,我们在实际过程中,只要设置好

  • 跟踪变量 x x x
  • 状态转移矩阵 A A A
  • 状态到观测矩阵 H H H
  • 状态转移噪声 Q Q Q
  • 测量噪声 R R R
  • 初始估计误差 P k P_k Pk(设置不能太小)
  • 第一次需要设置 x k ^ \hat{x_k} xk^的值
    就可以了

这篇关于卡尔曼滤波公式通俗理解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1127673

相关文章

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【C++高阶】C++类型转换全攻略:深入理解并高效应用

📝个人主页🌹:Eternity._ ⏩收录专栏⏪:C++ “ 登神长阶 ” 🤡往期回顾🤡:C++ 智能指针 🌹🌹期待您的关注 🌹🌹 ❀C++的类型转换 📒1. C语言中的类型转换📚2. C++强制类型转换⛰️static_cast🌞reinterpret_cast⭐const_cast🍁dynamic_cast 📜3. C++强制类型转换的原因📝

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值: Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中: 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令: An=(a+b√)n A_n = (a +

深入理解RxJava:响应式编程的现代方式

在当今的软件开发世界中,异步编程和事件驱动的架构变得越来越重要。RxJava,作为响应式编程(Reactive Programming)的一个流行库,为Java和Android开发者提供了一种强大的方式来处理异步任务和事件流。本文将深入探讨RxJava的核心概念、优势以及如何在实际项目中应用它。 文章目录 💯 什么是RxJava?💯 响应式编程的优势💯 RxJava的核心概念

如何通俗理解注意力机制?

1、注意力机制(Attention Mechanism)是机器学习和深度学习中一种模拟人类注意力的方法,用于提高模型在处理大量信息时的效率和效果。通俗地理解,它就像是在一堆信息中找到最重要的部分,把注意力集中在这些关键点上,从而更好地完成任务。以下是几个简单的比喻来帮助理解注意力机制: 2、寻找重点:想象一下,你在阅读一篇文章的时候,有些段落特别重要,你会特别注意这些段落,反复阅读,而对其他部分

深入理解数据库的 4NF:多值依赖与消除数据异常

在数据库设计中, "范式" 是一个常常被提到的重要概念。许多初学者在学习数据库设计时,经常听到第一范式(1NF)、第二范式(2NF)、第三范式(3NF)以及 BCNF(Boyce-Codd范式)。这些范式都旨在通过消除数据冗余和异常来优化数据库结构。然而,当我们谈到 4NF(第四范式)时,事情变得更加复杂。本文将带你深入了解 多值依赖 和 4NF,帮助你在数据库设计中消除更高级别的异常。 什么是

分布式系统的个人理解小结

分布式系统:分的微小服务,以小而独立的业务为单位,形成子系统。 然后分布式系统中需要有统一的调用,形成大的聚合服务。 同时,微服务群,需要有交流(通讯,注册中心,同步,异步),有管理(监控,调度)。 对外服务,需要有控制的对外开发,安全网关。

Java IO 操作——个人理解

之前一直Java的IO操作一知半解。今天看到一个便文章觉得很有道理( 原文章),记录一下。 首先,理解Java的IO操作到底操作的什么内容,过程又是怎么样子。          数据来源的操作: 来源有文件,网络数据。使用File类和Sockets等。这里操作的是数据本身,1,0结构。    File file = new File("path");   字

理解java虚拟机内存收集

学习《深入理解Java虚拟机》时个人的理解笔记 1、为什么要去了解垃圾收集和内存回收技术? 当需要排查各种内存溢出、内存泄漏问题时,当垃圾收集成为系统达到更高并发量的瓶颈时,我们就必须对这些“自动化”的技术实施必要的监控和调节。 2、“哲学三问”内存收集 what?when?how? 那些内存需要回收?什么时候回收?如何回收? 这是一个整体的问题,确定了什么状态的内存可以