卡尔曼滤波器原理及其应用简介.pdfVIP

1．什么是卡尔曼滤波器

在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。卡尔曼是一个人的名字。

卡尔曼全名RudolfEmilKalman，1957年于哥伦比亚大学获得博士。我们现在要学习的

卡尔曼滤波器，正是源于他的博士和1960年的

《ANewApproachtoLinearFilteringandPredictionProblems》（线性滤波与预测问题的新方

法）。

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方面的

系统以及等等。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。

2．卡尔曼滤波器的介绍

为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多

数参考书那样罗列一大堆的数学和数学符号。但是，他的5条是其内容。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。

在介绍他的5条之前，先让我们来根据下面的例子一步一步的探索。

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白噪

声（WhiteGaussianNoise），也就是这些偏差跟前后时间是没有关系的而且符合分配

（GaussianDistribution）。另外，我们在房间里放一个温度计，但是这个温度计也确的，

测量值会比实际值偏差。我们也把这些偏差看成是白噪声。

好了，现在对于某一分钟我们有两个有关于该房间的温度值：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时刻的是实际温度值。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，

假设是23度，同时该值的噪声的偏差是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）。

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（KalmanGain）。

他可以随不同的时刻而改变他自己的值，是不是很神奇！

下面就要言归正传，讨论真正工程系统上的卡尔曼。

3．卡尔曼滤波器算法

在这一部分，我们就来描述源于DrKalman的卡尔曼滤波器。下面的描述，会涉及一些基本

的概念知识，包括概率