Kalman滤波简介概述.pptVIP

北京理工大学北京理工大学 * * 在上述条件的约束下， 的估计量 可求解 如下： 一步状态预测 状态估计 北京理工大学北京理工大学 * * 滤波增益矩阵 一步预测误差方差阵 估计误差方差阵 北京理工大学北京理工大学 * * 就实现形式而言，卡尔曼滤波器实质上是一套由数字讨算机 实现的递推算法.每个递推周期中包含对被估计量的时间更新 和量测更新两个过程。时间更新由上一步的量测更新结果和 设计卡尔曼滤波器时的先验信息确定，量测更新则在时间更 新的基础上根据实时获得的量测值确定。因此。量测量可看 做卡尔曼滤波器的输入，估计值可看做输出，输入与输出之 间由时间更新和量测更新算法联系，这与数字信号处理概念 是类似的，所以有些书称卡尔曼滤波为广义数字信号处理。 北京理工大学北京理工大学 * * Kalman滤波算法框图 北京理工大学北京理工大学 * * 北京理工大学北京理工大学 * * 仿真效果 北京理工大学北京理工大学 * * 对于前面房间温度的例子，根据前面的描述，把房间看成一个 系统，然后对这个系统建模。当然，我们见的模型不需要非常 地精确。我们所知道的这个房间的温度是跟前一时刻的温度相 同的，所以 。没有控制量，所以U(k)=0 。 因为测量的值是温度计的，跟温度直接对应，所以 假设 。得到式子 北京理工大学北京理工大学 * * 北京理工大学北京理工大学 * * 现在我们模拟一组测量值作为输入。假设房间的真实温度为25 度，模拟了200个测量值，这些测量值的平均值为25度，但是 加入了标准偏差为几度的高斯白噪声(在图中为蓝线)。 为了令卡尔曼滤波器开始工作，我们需要告诉卡尔曼两个零时 刻的初始值，是X0和P0。它们的值不用太在意，随便给一个就 可以了，因为随着卡尔曼的工作，X会逐渐的收敛。但是对于P，一般不要取0，因为这样可能会令卡尔曼完全相信你给定的X0 是系统最优的，从而使算法不能收敛。选了X0=1度，P0=10。 该系统的真实温度为25度，图中用黑线表示。图中红线是卡尔 曼滤波器输出的最优化结果(该结果在算法中设置了Q=le-6 R=le-1)。 北京理工大学北京理工大学 * * * * 北京理工大学北京理工大学 北京理工大学 北京理工大学北京理工大学 北京理工大学北京理工大学 北京理工大学北京理工大学 * Kalman 滤波简介 主讲：霍玲妹 北京理工大学 2012. 04 * * 北京理工大学 本节课主要内容 二、简单实例 四、仿真实现 一、背景与理论基础 三、原理与公式介绍 * * 北京理工大学 Rudolf Emil Kalman 匈牙利数学家 BSMS at MIT PhD at Columbia 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） Signal Processing 北京理工大学北京理工大学 * * 滤波：从混合在一起的诸多信号中提取出所需要的信号。 数字滤波：通过一种算法排除可能的随机干扰，提高检测精 度的一种手段。 Kalman滤波器的作用： 1.在信号领域主要用于去除噪声 2.在控制领域主要用于状态估计和参数估计 Kalman滤波控制系统结构图 北京理工大学北京理工大学 * *   由于系统的状态x是不确定的，卡尔曼滤波器的任务就是在有随机干扰w和噪声v的情况下给出系统状态x的最优估算值 ，它在统计意义下最接近状态的真值x，从而实现最优控制u( )的目的。 Use For 北京理工大学北京理工大学 * * 机器人导航、控制 传感器数据融合 雷达系统以及导弹追踪 计算机图像处理 头脸识别 图像分割 图像边缘检测 Kalman滤波的由来 北京理工大学北京理工大学 * * 滤波估计经历的三个阶段： 1.最小二乘法：计算简单 ，适用于对常值向量或随机向 最的估计。但由于使用的最优指标是使量测估计的精度达到 最佳，估计中不必使用与被估计量有关的动态信息与统计信 息、甚至连量测误差的统计信息也