[外文文献翻译译稿和原文.doc

外文文献翻译译稿1 卡尔曼滤波的一个典型实例是从一组有限的，包含噪声的，通过对物体位置的观察序列（可能有偏差）预测出物体的位置的坐标及速度。在很多工程应用（如雷达、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课题。 例如，对于雷达来说，人们感兴趣的是其能够跟踪目标。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）。 命名[编辑] 这种滤波方法以它的发明者鲁道夫.E.卡尔曼（Rudolph E. Kalman）命名，但是根据文献可知实际上Peter Swerling在更早之前就提出了一种类似的算法。 斯坦利。施密特（Stanley Schmidt）首次实现了卡尔曼滤波器。卡尔曼在NASA埃姆斯研究中心访问时，发现他的方法对于解决阿波罗计划的轨道预测很有用，后来阿波罗飞船的导航电脑便使用了这种滤波器。关于这种滤波器的论文由Swerling（1958）、Kalman (1960)与Kalman and Bucy（1961）发表。 目前，卡尔曼滤波已经有很多不同的实现。卡尔曼最初提出的形式现在一般称为简单卡尔曼滤波器。除此以外，还有施密特扩展滤波器、信息滤波器以及很多Bierman, Thornton开发的平方根滤波器的变种。也许最常见的卡尔曼滤波器是锁相环，它在收音机、计算机和几乎任何视频或通讯设备中广泛存在。 以下的讨论需要线性代数以及概率论的一般知识。 卡尔曼滤波建立在线性代数和隐马尔可夫模型（hidden Markov model）上。其基本动态系统可以用一个马尔可夫链表示，该马尔可夫链建立在一个被高斯噪声（即正态分布的噪声）干扰的线性算子上的。系统的状态可以用一个元素为实数的向量表示。随着离散时间的每一个增加，这个线性算子就会作用在当前状态上，产生一个新的状态，并也会带入一些噪声，同时系统的一些已知的控制器的控制信息也会被加入。同时，另一个受噪声干扰的线性算子产生出这些隐含状态的可见输出。 卡尔曼滤波是一种递归的估计，即只要获知上一时刻状态的估计值以及当前状态的观测值就可以计算出当前状态的估计值，因此不需要记录观测或者估计的历史信息。卡尔曼滤波器与大多数滤波器不同之处，在于它是一种纯粹的时域滤波器，它不需要像低通滤波器等频域滤波器那样，需要在频域设计再转换到时域实现。 卡尔曼滤波器的状态由以下两个变量表示： ，在时刻k的状态的估计； ，误差相关矩阵，度量估计值的精确程度。 卡尔曼滤波器的操作包括两个阶段：预测与更新。在预测阶段，滤波器使用上一状态的估计，做出对当前状态的估计。在更新阶段，滤波器利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。 预测 (预测状态) (预测估计协方差矩阵） 更新 首先要算出以下三个量： (测量余量，measurement residual) (测量余量协方差) (最优卡尔曼增益） 然后用它们来更新滤波器变量x与P： (更新的状态估计) (更新的协方差估计） 使用上述公式计算仅在最优卡尔曼增益的时候有效。使用其他增益的话，公式要复杂一些 不变量（Invariant） 如果模型准确，而且与的值准确的反映了最初状态的分布，那么以下不变量就保持不变：所有估计的误差均值为零 且协方差矩阵准确的反映了估计的协方差： 请注意，其中表示的期望值,?。 实例 考虑在无摩擦的、无限长的直轨道上的一辆车。该车最初停在位置0处，但时不时受到随机的冲击。我们每隔Δt秒即测量车的位置，但是这个测量是非精确的；我们想建立一个关于其位置以及速度的模型。我们来看如何推导出这个模型以及如何从这个模型得到卡尔曼滤波器。 因为车上无动力，所以我们可以忽略掉Bk和uk。由于F、H、R和Q是常数，所以时间下标可以去掉。 车的位置以及速度（或者更加一般的，一个粒子的运动状态）可以被线性状态空间描述如下： 其中是速度，也就是位置对于时间的导数。 我们假设在（k???1）时刻与k时刻之间，车受到ak的加速度，其符合均值为0，标准差为σa的正态分布。根据牛顿运动定律，我们可以推出 其中 且 我们可以发现 （因为σa是一个标量）。 在每一时刻，我们对其位置进行测量，测量受到噪声干扰。我们假设噪声服从正态分布，均值为0，标准差为σz。 其中 且 如果我们知道足够精确的车最初的位置，那么我们可以初始化 并且，我们告诉滤波器我们知道确切的初始位置，我们给出一个协方差矩阵： 如果我们不确切的知道最初的