卡尔曼滤波增益综述报告.pdfVIP

卡尔曼滤波增益综述报告 卡尔曼滤波增益综述报告 姓名:周峰 学号 1411082695 摘要：Kalman Filter 是一个高效的递归滤波器，它可以实现从一系列的噪声 测量中，估计动态系统的状态。广泛应用于包含 Radar、计算机视觉在内的等工 程应用领域，在控制理论和控制系统工程中也是一个非常重要的课题。本文介 绍了卡尔曼滤波增益的由来，以及它在卡尔曼滤波理论中的作用，着重介绍了 卡尔曼滤波增益的理论意义和它的物理意义。由卡尔曼滤波增益可以更深入的 理解卡尔曼滤波，把它更好地应用于实际中。 Abstract:Kalman Filter is an efficient recursive filter,it can achieve the task that estimates the dynamic state of the system from a series of noise measurements.It widely be used in Radar, computer vision, include other engineering applications, is also a very important issue in control theory and control systems engineering.This paper introduces the origin of the Kalman filter gain,and it plays the important role in the Kalman filter theory,especially focuses on its the theoretical meaning and physical meaning about Kalman filter gain . We will get a deeper understanding of the Kalman filter,better applied in practice by learning of the Kalman filter gain. 关键词：卡尔曼滤波 增益 误差 一、卡尔曼滤波器简介 1.1 卡尔曼滤波的由来 1960 年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文- 《A New Approach to Linear Filtering and Prediction Problems 》（线性滤波与预测 问题的新方法），在这篇文章里一种克服了维纳滤波缺点的新方法被提出来，这 就是我们今天称之为卡尔曼滤波的方法。卡尔曼滤波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。 其基本思想是以最小均方误差为最佳估计准则，采用信号与噪声的状态空 间模型利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计 求出当前时刻的估计值。算法根据建立的系统方程和观测方程对需要处理的信 号做出满足最小均方误差的估计。 对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广 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。 1.2 卡尔曼滤波原理 卡尔曼滤波器用于估计离散时间过程的状态变量 x R n 。 这个离散时间 过程由以下离散随机差分方程描述： xk  Axk 1  Buk 1  wk 1 公式 1.1 定义观测变量z R m ，的量测方程： zk  Hxk  vk 公式 1.2 w v 随机信号 k 和 k 分别表示过程激励噪声和观测噪声。假设它们为相互独立 正态分布的白色噪声：