卡尔曼滤波研讨.pptVIP

卡尔曼滤波 （kalman filtering) 卡尔曼滤波 一·、卡尔曼滤波器的简介 二、卡尔曼滤波器的应用 三、卡尔曼滤波器（Kalman Filter）基本原理 四、扩展Kalman滤波算法(EKF) 五、无迹卡尔曼滤波算法(UKF) 六、卡尔曼滤波器（Kalman Filter）应用实例（温度） 卡尔曼滤波器的简介 卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是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）。 卡尔曼滤波器的简介 卡尔曼滤波的一个典型实例是从一组有限的，包含噪声的，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)。 卡尔曼滤波器的应用 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）”。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。 卡尔曼滤波器（Kalman Filter）基本原理 基本假设： 后验概率分布p(xk-1/yk-1) 为高斯分布 动态系统是线性的 系统噪声和测量噪声都是高斯分布的，协方差矩阵分别为Qk-1和Rk x(k)是k时刻的系统状态 u(k)是k时刻对系统的控制量。 A和B是系统参数，对于多模型系统，他们为矩阵。 y(k)是k时刻的测量值， H是测量系统的参数，对于多测量系统，H为矩阵。 q(k)和r(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的covariance分别是Q，R（这里我们假设他们不随系统状态变化而变化）。 卡尔曼滤波器——时间更新和状态更新 时间更新 状态更新 扩展Kalman滤波算法(EKF) EKF算法是一种近似方法，它将非线性模型在状态估计值附近作泰勒级数展开，并在一阶截断，用得到的一阶近似项作为原状态方程和测量方程近似表达形式，从而实现线性化同时假定线性化后的状态依然服从高斯分布，然后对线性化后的系统采用标准卡尔曼滤波获得状态估计。采用局部线性化技术，能得到问题局部最优解，但它能否收敛于全局最优解，取决于函数的非线性强度以及展开点的选择。 扩展Kalman滤波算法(EKF) 假定定位跟踪问题的非线性状态方程和测量方程如下: 在最近一次状态估计的时刻，对以上两式进行线性化处理，首先构造如下2个矩阵: 扩展Kalman滤波算法(EKF) 将线性化后的状态转移矩阵和观测矩阵代入到标准卡尔曼滤波框架中，即得到扩展卡尔曼滤波。 因为EKF忽略了非线性函数泰勒展开的高阶项，仅仅用了一阶项，是非线性函数在局部线性化的结果，这就给估计带来了很大误差，所以只有当系统的状态方程和观测方程都接近线性且连续时，EKF的滤波结果才有可能接近真实值。EKF滤波结果的好坏还与状态噪声和观测噪声的统计特性有关，在EKF的递推滤波过程中，状态噪声和观测噪声的协方差矩阵保持不变，如果这两个噪声协方差矩阵估计的不够准确，那就容易产生误差累计，导致滤波器发散。EKF的另外一个缺点是初始状态不太好确定，如果假设的初始状态和初始协方差误差较大，也容易导致滤波器发散。 无迹卡尔曼滤波算法(UKF) 由于近似非线性函数的概率密度分布比近似非线性函数更容易，使用采样方法近似非线性分布来解决非线性问题的途径在最近得到了人们的广泛关注。和EKF一样，UKF也是一种递归式贝叶斯估计方法，但是UKF不必线性化非线性状态方程和观测方程，他利用UT(Unscented transform)方法，用一