卡尔曼滤波器介绍doc.doc

卡尔曼滤波器介绍 摘要 在1960年，R.E.Kalman发表了关于递归解决线性离散数据滤波器的著名论文，从那时间起，由于在数字计算的大部分提高，Kalman滤波器已成为广泛研究和应用的学科，尤其是自动或辅助导航系统。 Kalman滤波器是一套数学等式，它提供了一种有效的以最小均方误差来估计系统状态的计算(递归的)方法。它在以下几方面是非常强大的：它支持过去、现在、甚至将来估计，甚至在系统准确模型也未知的情况下。 本文的目的是提供一种对离散的Kalman滤波器的实用介绍。这些介绍包括对基本离散kalman滤波器、起源和与之相关的简单(有形)的带有真实数字和结果的描述和讨论。 1、离散的kalman滤波器 在1960年，R.E.Kalman发表了关于递归解决线性离散数据滤波器的著名论文，从那时间起，由于在数字计算的大部分提高，Kalman滤波器已成为广泛研究和应用的学科，尤其是自动或辅助导航系统。关于kalman滤波器一般方法的友好介绍可以在〔maybeck79〕的 Chapter.1中找到，但是更完整部分的讨论能在〔Sorenson70〕中发现，它还包括许多有趣的历史解释。在〔Gelb74；Grewal93；Maybeck79；Lewis86；Brown92；jacobs93〕中有更多参考。 估值过程 Kalman滤波器解决估计离散时间控制过程的状态X∈Rn的一般性问题，定义线性随机差分方程 其中，测量值Z∈Rm，定义为 随机变量WK和VK各自表示系统噪声和测量噪声，我们假定它们为相互独立的、白噪声且为正常概率分布 在实际中，系统噪声协方差矩阵Q和测量噪声协方差矩阵R可能随过程和测量时间而改变，无论怎样，我们在这里假定它们是常量。 在差分方程（1.1）中，n×n阶矩阵A与前一时刻（K－1）和当前时刻K相关，这里缺少传递函数或系统噪声。注意的是，在实际中，A可能随各自时刻改变，但这里我们假定其为常量，n×l阶矩阵R与非强制性输入U∈Rl和状态x有关，在测量公式（1.2）中，m×n阶矩阵H与状态及测量值ZK有关，在实际中，H可能随各自过程或测量时刻而改变，这里假定它们是常数。 滤波器计算初步 我们定义XK－∈Rn（注意负号）为k时刻及系统k时刻以前数据的priori状态估计，定义XK－∈Rn在得到测量值ZK的k时刻的posteriori状态估计。我们这时定义前后两状态的估计误差为 这时priori估计协方差为 并且posteriori估计协方误差为 在推导kalman滤波器方程时，我们开始找到Posteriori状态估计XK与priori估计XK－和实际测量值ZK与预测值Hxk－之差的加权的线性组合的公式，如式（1.7）））））WQWT和VRVT并同带有Q和R的式（1.3）和式（1.4）一样的独立随机变量。 注意的是等式（2.9）））））））≠0，最终，滤波器是收敛的，我们以P0=1开始。 仿真 开始，我们随机选择一个标量Z＝－0.37727。（Z不是“hat”，因为它表示真实值）。然后，我们模拟50个不同的标准偏差为0.1的零自然误差分布的测量值Zk。（记得，我们假设测量值被均方根为0.1的白噪声破坏）。我们只有在同一准确测量情况下的一系列的50个仿真值能在滤波器循环内得到单独的测量值（例如，相同的测量噪声）。于是在不同参数的模拟的比较是很有用的。 在第一次仿真时，我们确定了在R=(0.1)2=0.01时的测量协方差。因为这是真实测量协方误差，我们根据平衡响应和估计方差来预测最优特性。在第二次和第三次仿真中，将有更多的证据。Figure3-1描述了第一次仿真的结果。随机常量x＝－0.37727的真实值已经在实线上给定了，噪声值为“＋”标记，滤波器估计仍保持曲线。 Figure3-1 第一次仿真：R=(0.1)2=0.01。随机常量x＝－0.37727的真实值已经在实线上给定了，噪声值为“＋”标记，滤波器估计仍保持曲线。 当考虑到上面选择P0时，我们提到：这选择在P0≠0时候不是临界的，因为滤波器最终会收敛。下面Figure 3-2中，我们画出了相对于重复的PK的值。通过第50个重复，它解决了从1到近似0.0002的最初选择。 Figure 3-2 50个重复后，我们最初协方误差PK从1到0.0002的调整。 在“滤波器参数和调整”那节中，我们简要讨论了为了获得不同滤波器特性而改变或调整参数Q和R。在下面Figure 3-3和Figure 3-4 中，我们能看到当R各自以100的因子增加或减小时，滤波器是如何改变的。在Figure 3-3中，滤波器告诉测量方差是大100次（例如，R=1）。于是假定测量值为慢的。 Figure 3-3 第二次仿真：R=1。滤波器响应测量较慢，导致减小估计方差。 在Figure 3-4中，滤波器