卡尔曼滤波的基本原理.pdfVIP

卡尔曼滤波的基本原理 定义 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm （最优化自回归数据处理算法）”，是一种以状 态变量的线性最小方差递推估算的方法。对于解决很大部分的问题， 他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30 年， 包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统 以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识 别，图像分割，图像边缘检测等等。 应用 卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包 含噪声的观察序列预测出物体的坐标位置及速度. 在很多工程应用 (雷达, 计算机视觉)中都可以找到它的身影. 同时，卡尔曼滤波也是 控制理论以及控制系统工程中的一个重要话题. 比如,在雷达中,人们感兴趣的是跟踪目标,但目标的位置,速度,加速 度的测量值往往在任何时候都有噪声.卡尔曼滤波利用目标的动态信 息,设法去掉噪声的影响,得到一个关于目标位置的好的估计。这个估 计可以是对当前目标位置的估计(滤波),也可以是对于将来位置的估 计(预测)，也可以是对过去位置的估计(插值或平滑). 实例分析 现在对于某一分钟我们有两个有关于该房间的温度值：你根据经 验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要 用这两个值结合他们各自的噪声来估算出房间的实际温度值。 假如我们要估算k 时刻的是实际温度值。首先你要根据k-1 时刻 的温度值，来预测k 时刻的温度。因为你相信温度是恒定的，所以你 会得到k 时刻的温度预测值是跟k-1 时刻一样的，假设是23 度，同 时该值的高斯噪声的偏差是5 度（5 是这样得到的：如果k-1 时刻估 算出的最优温度值的偏差是3，你对自己预测的不确定度是4 度，他 们平方相加再开方，就是 5）。然后，你从温度计那里得到了k 时刻 的温度值，假设是25 度，同时该值的偏差是4 度。 由于我们用于估算k 时刻的实际温度有两个温度值，分别是23 度和 25 度。究竟实际温度是多少呢？相信自己还是相信温度计呢？ 究竟相信谁多一点，我们可以用他们的协方差（covariance）来判断。 因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k 时刻的 实际温度值是：23+0.78*(25-23)=24.56 度。可以看出，因为温度计 的covariance 比较小（比较相信温度计），所以估算出的最优温度值 偏向温度计的值。 现在我们已经得到 k 时刻的最优温度值了，下一步就是要进入 k+1 时刻，进行新的最优估算。到现在为止，好像还没看到什么自回 归的东西出现。对了，在进入k+1 时刻之前，我们还要算出k 时刻那 个最优值（24.56 度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。 这里的5 就是上面的k 时刻你预测的那个23 度温度值的偏差，得出 的2.35 就是进入k+1 时刻以后k 时刻估算出的最优温度值的偏差（对 应于上面的3）。 就是这样，卡尔曼滤波器就不断的把covariance 递归，从而估 算出最优的温度值。他运行的很快，而且它只保留了上一时刻的 covariance。上面的 Kg，就是卡尔曼增益（Kalman Gain）。他可以 随不同的时刻而改变他自己的值，是不是很神奇！