粒子滤波器基本原理共33页文档.pptVIP

粒子滤波器基本原理

主要内容

1动态系统模型及状态估计问题

2递推Bayesian滤波器

3粒子滤波器

4小结

1动态系统模型(1

动态系统(ynamicSystem)通过两个方程建模:

状态转移方程(statetransitionequation)

xk=f(ki,u

k-15k-1

测量方程(measurementequation)

k=h,(k,uk,n,)

1动态系统(状态转移方程

状态转移方程

xk=f(xp

k-19k-15k-1

其中

f:转移函数(可能是非线性的)

当前和前一时刻状态

已知的输入

、Vk1:状态噪声(可能是非

动态系统(测量方程

测量方程:

h

k(k,k51k

其中:

hk:测量函数(可能是非线性的)

xk:当前时刻状态

u:已知的输入

nk:;测量噪声(可能是非

Gaussian

1状态估计问题

x:未知的,待估计的系统状态

已知系统测量(z1.k={z

j=1,,k})

状态估计问题:根据已知的测量z1k

估计未知的状态x

实质:计算后验概率密度函数(pdf)

2递推Bayesian滤波器

递推地构造后验概率密度函数(pdf)

p(XkZ1:k)

假设:初始分布b()是已知的P(x

是对系统初始状态知识的刻画)

p(x1|z1)可以通过以下两个步骤递推地

获得

预测(prediction)

校正(update)

2递推Bayesian滤波器(预测

预测(prediction)MK=f(x

k-15k-15k-1

设k1时刻的概率密度函数p(xk1z1:-)是已

知的。预测阶段包括通过Chapman-Kolmogorov等

式使用状态转移方程来获得k时刻状态的先验概

率密度函数:

x2=x11+1

P(xzik-)=p(xkIxk-)p(xk-1zuk-dx

2递推Bayesian滤波器(校正)

校正(update):

k

(xr,ui,n)

在k时刻,当测量有效时,通过Bayes规则进行

校正

似然度

先验概率

p(x/k)=2(2|x)p(x|zk1

P(zkZI1)

其中,规格化常量

P(zkZ1k-1)=p(zk)P(xkzik-1)dxk

2递推Bayesian滤波器(推导)

n(x12)=2)p(x)=D(2:2P

p(z1)

p(zkzik,xk)p(zklxkp(xr)

p(zk|21k=)p(21k=1)

p(zkZ,xkp(xkzkp(zsk-dp(xk

p(zkKdP(xk)p(zk-

p(zkup(xk

k“1:k-1

P(zkZ

1:k-1