Kalman滤波及其在SLAM中应用.pptVIP

Kalman滤波及其在SLAM中应用 康 丹 Outline Kalman滤波 简单实例 扩展kalman滤波 SLAM问题 准备知识 状态空间模型：在控制领域中，用输入向量、状态向量和输出向量描述系统的一种方法，叫状态空间模型。如下式 表示 时刻的状态向量， 表示 时刻的输入向量， 表示 时刻的输出向量， A表示状态矩阵，B为控制矩阵或者输入矩阵，C为观测矩阵，D为输入输出矩阵。 Kalman滤波 背景介绍： Kalman，匈牙利数学家。 卡尔曼滤波器源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。 kalman滤波 引入一个离散控制系统的控制模型 ： 定义系统的观测变量为z，得到测量方程为： 其中， 表示 时刻的状态向量， 表示 时刻的输入向量， 表示 时刻的观测向量， 分别为过程激励噪声和观测噪声，它们为相互独立、正态分布的白噪声，协方差分别是Q，R（这里假设它们不随系统状态变化而变化） kalman滤波 kalman滤波第一步： 用系统的过程模型来预测下一状态的系统。假设现在的系统状态是 ，可以预测下一时刻k+1出现的状态： 更新状态 的协方差矩阵： 其中， 为过程激励噪声协方差。 kalman滤波 结合观测值更新状态估计，得到k+1时刻状态为： 其中， 称为新息。 为kalman增益，其计算公式为： 式中， 为观测噪声协方差。 kalman滤波 为了令kalman不断迭代下去，需要更新K时刻状态 的协方差： 时间更新和测量更新不断重复迭代，就是kalman最吸引人的特性。 简单实例 考虑房间内温度对象过程: 即过程的状态不随时间变化，没有控制输入；包含噪声的观测值是状态变量的直接体现。 那么，kalman滤波的5个方程分别为： 简单实例 假设房间温度不变，k时刻为23度（估计值），该值的协方差假设为5度（上一时刻更新的协方差为3度，噪声为2度）。 房间内有一温度计，其值显示25度，该值的偏差（噪声）为2度。 则kalman增益为： K+1时刻的真实估计值为： 该时刻更新协方差为（即为上边3度的计算式） 扩展卡尔曼滤波 可以看出，卡尔曼滤波估计是一个线性随机系统的状态。然而实际中，很多系统是非线性的，处理这些系统时，用扩展卡尔曼滤波(EKF),它是将期望和方差线性化的卡尔曼滤波器。 控制对象的状态空间表述为: 扩展卡尔曼滤波 扩展卡尔曼滤波的5个方程为： 扩展卡尔曼滤波 A是f对x的偏导的雅可比矩阵，即 W是f对w的偏导的雅可比矩阵，即 H是h对x的偏导的雅可比矩阵，即 V是h对v的偏导的雅可比矩阵，即 SLAM问题 SLAM：Simultaneous localization and mapping自主定位和地图创建。有时也称为CML（concurrent mapping and localization） 问题陈述：自主移动机器人从未知环境中一个未知点开始运动，经过一系列未知特征点，并得到这些点到机器人距离的一组测量数据。这组测量数据由机器人头部的测距传感器测得。 SLAM处理的目标是根据这些测量数据得到环境的估计地图，并用这张地图实现机器人的定位。 SLAM问题 在SLAM中，机器人运动模型已知，即运动角速度和线速度，可以估计机器人的位置；机器人与特征点之间的测量值可以测出，即知道测量值。在SLAM中，根据EKF，用每一状态的测量值来更新机器人的运动位置，然后由机器人位置和测量值求出特征点的坐标。 SLAM问题 K时刻，机器人状态可表示为 Xv(k)表示机器人的状态，Xlm（k）为路标的状态，它不随时间变化而变化,可以写成Xlm。 观测值是描述机器人和特征点距离的函数，则 其中， 为特征点i与机器人之间的距离， 为机器人与特征点位置的夹角。 SLAM问题 EKF-SLAM算法：