4、卡尔曼滤波的技术基础.pdf

by 学apm 挂科被导员批评的大二学生 卡尔曼滤波的技术基础 翻译自 /home.php?mod=space&uid=1565&do=blog&id=14253 考虑如下最简单的问题。给定一个未知常量x 的带噪音的测量值：z , z , … , 1 2 zK 。假设一个加法模型： z x v （1） k k 其中，vk （k=1,2,…,k ）为独立同分布噪声。 下式在大数定理或元素最小二乘拟合中已经熟知，或者从简单的常识可得到 下列估计 ˆ 1 k xk zi k 次测量后的x 的估计值 （2 ） k i 1 为一个最优估计值，当k 趋于无穷大时，估计值收敛到x 的真实值。现在我们将 等式 （2 ）改写为 ˆ 1 k -1 1 k 1 1 k -1 1 ˆ 1 ˆ x z + z z + z  x  z x  （3 ） k i k i k k 1 k k 1 k i 1 k k k 1 i 1 k k 式（3 ）是式（2 ）的简单的递归形式，有一个很有意思的解释，意味着k 次 测量之后的x 的最佳估计值是k-1 次测量之后的x 的最佳估计值再加上一个修正 ˆ 项zk xk 1  。该修正项是基于之前的k-1 次测量的信息，你认为你将在第k 次测 ˆ 量时所测得的值，即 ，和实际第k 次的测量值z 之间的差别。该差别来源于 xk 1 k 以下两个源头： 1、ˆ ，在这种情况下，我们应当使用此差别来修正我们的第k 次估计。 x  x k 1 2 、ˆ ，在这种情况下，我们应当忽略差别，此差别已经完全归于噪声 x x k 1 了。 权重因子 1/k 代表了这两种考虑率的权衡。最初，当k 非常小的时候，我们 ˆ 不认为我们的估计 是非常好的，我们必须把更多的关注点移动到修正项 x k 1 ˆ zk xk 1 上。当 k 变大后，我们也越来越相信估计值，因此，我们对修正项 ˆ ˆ zk xk 1  的关注相应越来越小，甚至在上述第二种xk 1 x 的极限情况下，我们 完全忽略了修正项。如果我们把权重因子1/k标记为P ，则通过简单的代数处理， k Pk 成为了递归等式 1 P P