Kalman滤波和MATLAB实现_原创精品文档.pdfVIP

tiankong

Kalman滤波和MATLAB实现

卡尔曼滤波器（KalmanFilter）是一个最优化自回归数据处理算法（optimalrecursive

dataprocessingalgorithm）。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。

他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

简单来说，卡尔曼滤波器是一个“optimalrecursivedataprocessingalgorithm（最优化自

回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他

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。

为了可以更加容易的理解卡尔曼滤波器，这里应用形象的描述方法讲解，不像参考书那

样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算

机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。

假设我们要研究的对象是一个房间的温度。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，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。另外，我们在房间里放一个温度计，但是这个温度计也

是不准确的，测量值会比实际值有偏差。我们也把这些偏差看成是高斯白噪声。

好了，现在对于某一分钟我们有两个有关该房间的温度值：你根据经验的预测值（系

统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算

出房间的实际温度值。

假如我们要估算k时刻的实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻

的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，

假定是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）。

然后，你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

（covariance）来判断。因为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covariance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。到现在为止，好像还没看到什么自回归的东西出现。对了，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）。

tiankong

就是这样，卡尔曼滤波器就不断的把covariance递归，从而估算出最优的温度值。他运

行的很快，而且它只保留了上一时刻的covariance。上面的Kg，就是卡尔曼增益（Kalman

Gain）。他可以随不同的时刻而改变他自己的值。

DrKalman的卡尔曼滤波器。涉及一些基本的概念知识，包括概率（Probability），随机

变量（RandomVariable），高斯或正态分配（GaussianDistribution）等。

首先，要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述：

X(k)=AX(k-1)+BU(k)+W(k)

再加上系统的测量值：

Z(k