导航学概论课件-扩展卡尔曼滤波.pptxVIP

扩展卡尔曼滤波（EKF）

SECTION01从线性到非线性线性假设的崩塌是EKF诞生的起点

状态估计是导航的核心问题导航系统必须实时回答三个问题：载体在哪里、运动多快、朝向何方。单靠任何一方都无法满足连续高精度定位需求，状态估计由此成为导航系统的核心环节。因直接测量不可行的原因噪声传感器测量总带噪声模型模型预测也不完全准确策状态估计的思路融合融合模型预测与传感器观测最优在不确定性中给出最优状态例自动驾驶的双传感器GPS绝对位置，但更新慢、有噪声IMU高频输出，但误差随时间累积

卡尔曼滤波融合预测与观测这一高效递归特性，使其成为目标追踪、电机控制、导航定位等实时场景的核心算法。1960年卡尔曼提出卡尔曼滤波，在线性高斯系统下提供统计意义下的最优估计。1核心思想融合预测与观测在不确定性中递归计算最优估计融合之道2两步递推预测·更新预测——基于模型外推下一时刻状态更新——用观测修正预测值递推闭环3实时性优势轻量·实时只需保存当前时刻状态估计与误差协方差无需存储整个观测序列，计算量小、适合实时处理实时场景

五步递推构成卡尔曼框架“卡尔曼滤波是一个五步递推闭环，每时刻先预测、再更新。”01状态预测→用状态转移矩阵外推先验估计，给出下一时刻的预判位置。02协方差预测→同步传播状态不确定性，让误差范围随预测一起外推。03卡尔曼增益→用一个权重权衡预测与观测的可信度，决定该信谁多少。04状