外文文献翻译译稿和原文.docxVIP

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 Bierma n, 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; V円如,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） P fe|A—1 = + Qk （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，measureme nt residual） J m 山（测量余量协方差） 「 -n （最优卡尔曼增益） 然后用它们来更新滤波器变量 x与P: 八兮卜：-—「7舀:訂（更新的状态估计） ---1 ; J ■ ■■- ?（更新的协方差估计） 使用上述公式计算 匕二二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（Inv aria nt ）