扩展卡尔曼滤波原理及其应用.ppt

扩展卡尔曼滤波原理及其应用;引入：室内温度测量;引入：室内温度测量;根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。 假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。 我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。;对于某一分钟我们有两个有关于该房间的温度值：根据经验的预测值（系统的预测值）和温度计的值（测量值）。 假如我们要估算k 时刻的是实际温度值。首先要根据k-1 时刻的温度值，来预测k 时刻的温度。因为相信温度是恒定的，所以得到k 时刻的温度预测值是跟k-1 时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度 （5是这样得到的：如果k-1 时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。 从温度计那里得到了k 时刻的温度值，假设是25度，同时该值的偏差是4度。;由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的协方差来判断。 Kg^2=5^2/(5^2+4^2)，所以Kg=0.78 ，我们可以估算出k 时刻的实际温度值是：23+0.78* (25-23)=24.56度。可以看出，因为温度计的协方差比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。;现在我们已经得到k时刻的最优温度值了，下一步就 是要进入k+1时刻，进行新的最优估算。 在进入k+1时刻之前，我们还要算出k 时刻那个最优值（24.56度）的偏差。算法如下：((1-Kg)*5^2) ^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k 时刻估算出的最优温度值的偏差（对应于上面的3）。;1. 首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k ，根据系统的模型，可以基于系统的上一状态而预测出现在状态： X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1) 式(1) 中，X(k|k-1) 是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。;经典卡尔曼滤波;经典卡尔曼滤波;经典卡尔曼滤波;扩展卡尔曼滤波;;角真实值：164度;位置坐标记录