卡尔曼滤波器入门.pptVIP

*第1页，共20页，星期日，2025年，2月5日数字滤波：通过一种算法排除可能的随机干扰，提高检测精度的一种手段*第2页，共20页，星期日，2025年，2月5日RudolfEmilKalman匈牙利数学家BSMSatMITPhDatColumbia1960年发表的论文《ANewApproachtoLinearFilteringandPredictionProblems》（线性滤波与预测问题的新方法）*第3页，共20页，星期日，2025年，2月5日应用场合机器人导航、控制传感器数据融合雷达系统以及导弹追踪计算机图像处理头脸识别图像分割图像边缘检测*第4页，共20页，星期日，2025年，2月5日KF是根据上一状态的估计值和当前状态的观测值推出当前状态的估计值的滤波方法S(t)=f(S(t-1),O(t))它是用状态方程和递推方法进行估计的，因而卡尔曼滤波对信号的平稳性和时不变性不做要求维纳滤波：使用全部观测值保证平稳性*第5页，共20页，星期日，2025年，2月5日卡尔曼滤波器是一个 optimalrecursivedataprocessingalgorithm 最优化自回归数据处理算法最优（optimal）依赖于评价性能的判据。 Kalman滤波器充分利用如下信息估 a.系统和测量装置的动态特性； b.系统噪声、测量误差和动态模型的不确定性的统计描述； c.感兴趣变量的初始条件的相关信息。递归（recursive）是指kalman不需要保存先前的数据，当进行新的测量时也不需要对原来数据进行处理。*第6页，共20页，星期日，2025年，2月5日房间温度的当前感觉值房间温度计的当前读数五分钟以后房间温度的实际值问题描述已知条件希望得到都带有误差感觉值+测量值未来时刻的真实值？=*第7页，共20页，星期日，2025年，2月5日x(k+1)=Ax(k)+Bu(k)+w(k)z(k)=Hx(k)+v(k)状态方程stateequation测量方程measurementequation状态空间模型*第8页，共20页，星期日，2025年，2月5日*第9页，共20页，星期日，2025年，2月5日x(k)k时刻k+1时刻k-1时刻z(k+1)x(k+1|k+1)u(k)z(k)*第10页，共20页，星期日，2025年，2月5日x(k+1)=Ax(k)+Bu(k)+w(k)z(k)=Hx(k)+v(k)x(k+1)z(k+1)+x(k+1|k+1)思路：加权求和*第11页，共20页，星期日，2025年，2月5日x(k+1)=Ax(k)+Bu(k)+w(k)k时刻k+1k-1x(k+1|k)=Ax(k|k)+Bu(k)+w(k)①x(k+1|k+1)*第12页，共20页，星期日，2025年，2月5日P(k+1|k)=AP(k|k)A’+Q②x(k+1|k)对应的协方差也需要预测*第13页，共20页，星期日，2025年，2月5日k时刻k+1k-1x(k+1|k+1)至此，完成了预测阶段得到了两个量：下一时刻的状态预测x(k+1|k)描述x(k+1|k)优劣程度的协方差P(k+1|k)*第14页，共20页，星期日，2025年，2月5日