卡尔曼滤波算法-卡尔曼滤波的原理说明.pdfVIP

卡尔曼滤波的原理说明 2009 年 10 月 23 日 星期五 01:19 在学习卡尔曼滤波器之前，首先看看为什么叫 “卡尔曼”。跟其他著名的理论（例 如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同 的是，他是个现代人！ 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）。如果对这编论文有 兴趣，可以到这里的地址下载： /~welch/kalman/media/pdf/Kalman1960.pdf 简单来说，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。 2．卡尔曼滤波器的介绍 （Introduction to the Kalman Filter） 为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而 不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的 5 条公 式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理 解了他的那 5 条公式。 在介绍他的 5 条公式之前，先让我们来根据下面的例子一步一步的探索。 假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度 是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟 来做时间单位）。假设你对你的经验不是 100%的相信，可能会有上下偏差几度。 我们把这些偏差看成是高斯白噪声 （White Gaussian Noise），也就是这些偏差 跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外， 我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏 差。我们也把这些偏差看成是高斯白噪声。 好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测 值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们 各自的噪声来估算出房间的实际温度值。 假如我们要估算 k 时刻的是实际温度值。首先你要根据 k-1 时刻的温度值，来预 测 k 时刻的温度。因为你相信温度是恒定的，所以你会得到 k 时刻的温度预测值 是跟 k-1 时刻一样的，假设是 23 度，同时该值的高斯噪声的偏差是 5 度（5 是 这样得到的：如果 k-1 时刻估算出的最优温度值的偏差是 3，你对自己预测的不 确定度是 4 度，他们平方相加再开方，就是 5）。然后，你从温度计那里得到了 k 时刻的温度值，假设是 25 度，同时该值的偏差是 4 度。 由于我们用于估算k 时刻的实际温度有两个温度值，分别是 23 度和 25 度。究竟 实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以 用他们的 covariance 来判断。因为 Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们 可以估算出 k 时刻的实际温度值是：23+0.78*(25-23)=24.56 度。可以看出，因 为温度计的 covariance 比较小（比较相信温度计），所以估算出的最优温度值 偏向温度计的值。 现在我们已经得到 k 时刻的最优温度值了，下一步就是要进入 k+1 时刻，进行新 的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入 k+1 时刻之前，我们还要算出 k 时刻那个最优值（24.56 度）的偏差。算法如下： ((1-Kg)*5^2)^0.5=2.35。这里的 5 就是上面的 k 时刻你预测的那个 23 度温度值 的偏差，得出的 2.35 就是进入 k+1 时刻以后 k 时刻估算出的最优温度值的偏差 （对应于上面的3）。 就是这样，卡尔曼滤波器就不断的把 covariance 递归，从而估算出最优的温度 值。他运行的很快，而且它只保留了上一时刻的 covariance。上面的K