- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
卡尔曼滤波研究综述
卡尔曼滤波研究综述
1 卡尔曼滤波简介
1.1卡尔曼滤波的由来
1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文-《A New Approach to Linear Filtering and Prediction Problems》(线性滤波与预测问题的新方法)对于解决很大部分的问题,它是最优,效率最高甚至是最有用的。它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。E(Ωk) =0;E(Δk) =0;cov(Ωk,Ωj) = DΩ(k)δkj,
cov(Δk,Δj) = Dk(k)δkj;cov(Ωk,Δj) =0;E(X0) =μx(0)
var(X0) = D(X0);cov(X0,Ωk) =0;cov(X0,Δk) =0. 1-2
卡尔曼滤波递推公式为
(k/k) = (k/k-1)+Jk(Lk-Bk(k/k-1)),
D(k/k) = (E-JkBk)Dx(k/k-1),
Jk= Dx(k/k-1)BTk[BkDx(k/k-1)]BTk+DΔ(k)]-1,
(k/k-1) =Φk,k-1(k-1/k-1),
Dx(k/k-1) =Φk,k-1Dx(k-1/k-1)ΦTk,k-1+Γk,k-1DΔ(k-1)ΓTk,k-1. 1-32 几种最新改进型的卡尔曼滤波算法。
2.1 近似二阶扩展卡尔曼滤波
标准的卡尔曼滤波只适用于线性系统,而工程实际问题涉及的又大多是非线性系统,于是基于非线性系统线性化的扩展卡尔曼滤波(EKF)在上世纪70年代被提出,目前已经成为非线性系统中广泛应用的估计方法。近似二阶扩展卡尔曼滤 波方法(AS-EKF)基于线性最小方差递推滤波框架,应用均值变换的二阶近似从而得到非线性系统的递推滤波滤波框架
该滤波基于线性最小方差递推框架,状态X的最小方差估计为
2-1-1
L是观测矩阵,假定状态X的估计值是观测矩阵L的线性函数,即
2-1-2
得到最优估计和估计误差方差阵的递推方程分别为:
2-1-2 2-1-3
2.1.2近似二阶扩展卡尔曼滤波器的设计
在EKF中,假设非线性函数y=f(X)在状态X的最优估计(预测)值处线性化,即
2-1-4
y的均值、方差和协方差的近似估计
2-1-5
对均值进行二阶近似,而对方差和协方差进行一阶近似,即可得
2-1-6
考虑如下带加性噪声的非线性离散系统
X(k+1) =f(X(k),k) +Γ(X(k),k)V(k)
L(k+1) =h(X(k+1),k+1) +W(k+1)
将式2-1-6 所使用的近似二阶方法代入2-1-2,和2-1-3,可得如下近似二阶卡尔曼滤波递推公式。
预测阶段:
(k+1|k)=f( (k),k)+1/2[( ▽TP(k) )f(X,k)] | (X= (k)) 2-1-7
P(k+1|k)=Φk/k-1P(k)ΦTk/k-1+Γ(X(k),k)Q(k)ΓT(X(k),k)
(k+1|k)=h( (k+1|k),k+1)+1/2(▽ TP(k+1|k) ▽)h(X,k+1) |X= (k+1|k)
更新阶段:
K(k+1) =P(k+1|k)HTk+1(Hk+1P(k+1|k)HTk+1+R(k+1))-1 2-1-8
(k+1) = (k+1|k)+K(k+1)[L(k+1)- (k+1k)]
P(k+1) = (I-K(k+1)Hk+1)P(k+1|k)(I-K(k+1)Hk+1)T+K(k+1)R(k+1)KT(k+1)
其中|X(k)= ,
|X(k+1)= (k+1|k)
Q(k)为系统噪声序
文档评论(0)