kalman卡尔曼滤波器中文介绍.docVIP

卡尔曼滤波器介绍 Greg Welch 1and Gary Bishop 2 TR 95-041 Department of Computer Science University of North Carolina at Chapel Hill 3 Chapel Hill, NC 27599-3175 翻译：姚旭晨 更新日期:2006年7月24日，星期一中文版更新日期：2007年1月8日，星期一 摘要 1960年，卡尔曼发表了他著名的用递归方法解决离散数据线性滤波 问题的论文。从那以后，得益于数字计算技术的进步，卡尔曼滤波器 已成为推广研究和应用的主题，尤其是在自主或协助导航领域。 卡尔曼滤波器由一系列递归数学公式描述。它们提供了一种高效可 计算的方法来估计过程的状态，并使估计均方误差最小。卡尔曼滤波 器应用广泛且功能强大：它可以估计信号的过去和当前状态，甚至能 估计将来的状态，即使并不知道模型的确切性质。 这篇文章介绍了离散卡尔曼理论和实用方法，包括卡尔曼滤波器及 其衍生：扩展卡尔曼滤波器的描述和讨论，并给出了一个相对简单的带图实例。 1 2welch@,/?welchgb@,/?gb 3北卡罗来纳大学教堂山分校，译者注。 1 Welch Bishop, 卡尔曼滤波器介绍21离散卡尔曼滤波器 1960年，卡尔曼发表了他著名的用递归方法解决离散数据线性滤波问题的论文[Kalman60]。从那以后，得益于数字计算技术的进步，卡尔曼滤波器已成为推广研究和应用的主题，尤其是在自主或协助导航领域。 [Maybeck79]的第一章给出了一个非常“友好”的介绍，更全面的讨论可以参考[Sorenson70]，后者还包含了一些非常有趣的历史故事。更广泛的参考包括[Gelb74,Grewal93, Maybeck79, Lewis86, Brown92, Jacobs93]。被估计的过程信号 卡尔曼滤波器用于估计离散时间过程的状态变量x ∈ n 。这个离散时间过程由以下离散随机差分方程描述： x k =Ax k ?1+Bu k ?1+w k ?1, 定义观测变量z ∈ m ，得到量测方程： z k =Hx k +v k . (1.2(1.1 随机信号w k 和v k 分别表示过程激励噪声1和观测噪声。假设它们为相互独立，正态分布的白色噪声： p (w ～N (0, Q , p (v ～N (0, R . (1.3(1.4 实际系统中，过程激励噪声协方差矩阵Q 和观测噪声协方差矩阵R 可能会随每次迭代计算而变化。但在这儿我们假设它们是常数。 当控制函数u k ?1或过程激励噪声w k ?1为零时，差分方程1.1中的n ×n 阶增益矩阵A 将上一时刻k ?1的状态线性映射到当前时刻k 的状态。实际中A 可能随时间变化，但在这儿假设为常数。n ×l 阶矩阵B 代表可选的控制输入u ∈ l 的增益。量测方程1.2中的m ×n 阶矩阵H 表示状态变量x k 对测量变量z k 的增益。实际中H 可能随时间变化，但在这儿假设为常数。滤波器的计算原型 n ?代表先验，?代表估计）为在已知第k 步以前状态情定义x ??k ∈ （ 况下第k 步的先验状态估计。定义x ?k ∈ n 为已知测量变量z k 时第k 步的后验状态估计。由此定义先验估计误差和后验估计误差： e ???k ≡x k ?x k , e k ≡x k ?x ?k 原文为process noise ，本该翻译作过程噪声，由时间序列信号模型的观点，平稳随机序列可以看成是由典型噪声源激励线性系统产生，故译作过程激励噪声。1 UNC-Chapel Hill, TR 95-041, July 24, 2006 Welch Bishop, 卡尔曼滤波器介绍3先验估计误差的协方差为： ??P k =E [e ?k e k ], T (1.5 后验估计误差的协方差为： P k =E [e k e k T ], (1.6 式1.7构造了卡尔曼滤波器的表达式：先验估计x ??k 和加权的测量变量?z k 及其预测H x ?k 之差的线性组合构成了后验状态估计x ?k 。式1.7的理论解释请参看“滤波器的概率原型”一节。 x ?k =x ????k +K (z k ?H x k (1.7 式1.7中测量变量及其预测之差(z k ?H x ??k 被称为测量过程的革新或残余。残余反映了预测值和实际值之间的不一致程度。残余为零表明二者完全吻合。 式1.7中n ×m 阶矩阵K 叫做残余的增益或混合因数，作用是使1.6式中的后验估计误差协方差最小。可以通过以下步骤计算K ：首先将1.7式代入e k 的定义式，再将e k 代入1.6式中，求得期望后，将1.6式中的P k 对K 求导。并使一阶导数为零从而解得K 值。详细推导清