第五讲：卡尔曼滤波.pptVIP

卡尔曼滤波算法及应用;目 录;一、概述;1.1 Rudolf Emil Kalman;Kalman滤波是一种最优估计算法，而非滤波器 能够实时估计系统中的参数（如连续变化的位置、速度等信息）。 估计量通过一系列受噪声污染的观测量来更新， 观测量必须是待估参数的函数，但是在给定的时刻，不要求观测量能够唯一确定当时的参数值。 ;Kalman滤波是一种递推线性最小方差估计 在提供的初始估计基础上，卡尔曼滤波通过递归运算，用先验值和最新观测数据的加权平均来更新状态估计（老息+新息）。 非递归算法（如标准最小二乘）中没有先验估计，估计结果由全部观测数据计算而来（新息） 。 卡尔曼滤波是一种贝叶斯估计 ;1.3 卡尔曼滤波的要素和流程; 状态向量（状态） 是一组描述系统的参数。 可以是常量，也可是时变量，是估计对象。 与之相关联的是误差协方差矩阵，描述了状态估计的不确定度及估计误差间的相关度。;1.4 卡尔曼滤波的要素; 1组观测向量 是一组针对同一时刻的系统特性的测量值，例如观测量可以包括GNSS系统的位置测量值，或者INS与GNSS位置结果的差值。 1个算法： 卡尔曼滤波算法 使用观测向量、观测模型和系统模型来获得状态向量的最优估计，分为系统传递和测量更新两个部分。;目 录;二、Kalman滤波;2.1 卡尔曼滤波方程;要求{Wk}和{Vk}是互不相关的、零均值白噪声序列：; 初