1. 卡爾曼濾波理論回顧

? ? ? 對于一個動態系統，我們首先定義一組狀態空間方程

? ? ?狀態方程：? ? ?

? ? ?測量方程： ? ???

? ? ? ? x_k是狀態向量，z_k是測量向量，A_k是狀態轉移矩陣，u_k是控制向量，B_k是控制矩陣，w_k是系統誤差（噪聲），H_k是測量矩陣，v_k是測量誤差（噪聲）。w_k和v_k都是高斯噪聲，即

? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

? ? 整個卡爾曼濾波的過程就是個遞推計算的過程，不斷的“預測——更新——預測——更新……”

預測

? ? ?預測狀態值： ? ? ? ? ? ? ?

? ? ?預測最小均方誤差： ??

更新

? ? 測量誤差： ? ? ? ? ? ? ? ? ??

? ? 測量協方差： ? ? ? ? ? ? ? ?

? ? 最優卡爾曼增益： ? ? ? ??

? ? 修正狀態值： ? ? ? ? ? ? ? ?

? ? 修正最小均方誤差： ? ??

算法的核心思想是，根據當前的儀器"測量值" 和上一刻的 "預測量" 和 "誤差",計算得到當前的最優量. ? 再?預測下一刻的量，?里面比較突出的是觀點是.?把誤差納入計算, 而且分為預測誤差和測量誤差兩種.通稱為 噪聲。還有一個非常大的特點是,誤差獨立存在,?始終不受測量數據的影響。

2. 例子

上面的ppt有助于入門理解。

但是在編程的時候你會發現,解釋里面的數值23 沒有很明確的指出，是指的那個時刻的23 是預測的23 還是上一課測量的23。

下面這段文字會有助于你更清晰的理解：

?

卡爾曼濾波是統計學的程序表達，要想深入理解，公式三 協方差的背后意義 需要學習統計學。

如果僅僅是使用的話，這5個公式套進程序里面還是很容易的。

看到這里如果你明白了原理，你再回過頭看看，會發現，誤差是獨立存在的，誤差不受數據的影響。誤差按照統計學的協方差公式更新，跟數據無關。而且誤差是不斷變化的。

3. 通俗理解

? ? 假設你有兩個傳感器，測的是同一個信號。可是它們每次的讀數都不太一樣，怎么辦？取平均。再假設你知道其中貴的那個傳感器應該準一些，便宜的那個應該差一些。那有比取平均更好的辦法嗎？加權平均。怎么加權？假設兩個傳感器的誤差都符合正態分布，假設你知道這兩個正態分布的方差，用這兩個方差值，（此處省略若干數學公式），你可以得到一個“最優”的權重。接下來，重點來了：假設你只有一個傳感器，但是你還有一個數學模型。模型可以幫你算出一個值，但也不是那么準。怎么辦？把模型算出來的值，和傳感器測出的值，（就像兩個傳感器那樣），取加權平均。OK，最后一點說明：你的模型其實只是一個步長的，也就是說，知道x(k)，我可以求x(k+1)。問題是x(k)是多少呢？答案：x(k)就是你上一步卡爾曼濾波得到的、所謂加權平均之后的那個、對x在k時刻的最佳估計值。于是迭代也有了。這就是卡爾曼濾波。

? ? 卡爾曼濾波（Kalman filter）是一種高效率的遞歸濾波器（自回歸濾波器），它能夠從一系列的不完全及包含噪聲的測量中，估計動態系統的狀態。卡爾曼濾波會根據各測量量在不同時間下的值，考慮各時間下的聯合分布，再產生對未知變數的估計，因此會以只以單一測量量為基礎的估計方式要準。

? ??卡爾曼濾波的算法是二步驟的程序。在估計步驟中，卡爾曼濾波會產生有關目前狀態的估計，其中也包括不確定性。只要觀察到下一個量測（其中一定含有某種程度的誤差，包括隨機噪聲）。會通過加權平均來更新估計值，而確定性越高的量測加權比重也越高。算法是迭代的，可以在實時控制系統中執行，只需要目前的輸入量測、以往的計算值以及其不確定性矩陣，不需要其他以往的資訊。

? ? 使用卡爾曼濾波不用假設誤差是正態分布^[3]，不過若所有的誤差都是正態分布，卡爾曼濾波可以得到正確的條件機率估計。也發展了一些擴展或是廣義的卡爾曼濾波，例如運作在非線性糸統的擴展卡爾曼濾波及無損卡爾曼濾波（unscented Kalman filter）。底層的模型類似隱馬爾可夫模型，不過潛在變量的狀態空間是連續的，而且所有潛在變量及可觀測變數都是正態分布。

? ? 卡爾曼濾波的一個典型實例是從一組有限的，包含噪聲的，通過對物體位置的觀察序列（可能有偏差）預測出物體的位置的坐標及速度。在很多工程應用（如雷達、計算機視覺）中都可以找到它的身影。同時，卡爾曼濾波也是控制理論以及控制系統工程中的一個重要課題。例如，對于雷達來說，人們感興趣的是其能夠跟蹤目標。但目標的位置、速度、加速度的測量值往往在任何時候都有噪聲。卡爾曼濾波利用目標的動態信息，設法去掉噪聲的影響，得到一個關于目標位置的好的估計。這個估計可以是對當前目標位置的估計（濾波），也可以是對于將來位置的估計（預測），也可以是對過去位置的估計（插值或平滑）。

總結

以上是生活随笔為你收集整理的对Kalman Filter的理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。