以下为《详解卡尔曼滤波原理》的无排版文字预览,完整格式请下载
下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。
详解卡尔曼滤波原理
什么是卡尔曼滤波?
你可以在任何含有不确定信息的动态系统中使用卡尔曼滤波,对系统下一步的走向做出有根据的预测,即使伴随着各种干扰,卡尔曼滤波总是能指出真实发生的情况。 在连续变化的系统中使用卡尔曼滤波是非常理想的,它具有占用内存小的优点(除了前一个状态量外,不需要保留其它历史数据),并且速度很快,很适合应用于实时问题和嵌入式系统。我们能用卡尔曼滤波做什么?
用玩具举例:你开发了一个可以在树林里到处跑的小机器人,这个机器人需要知道它所在的确切位某某才能导航。
/
我们可以说机器人有一个状态?/,表示位某某和速度:
/
注意这个状态只是关于这个系统基本属性的一堆数字,它可以是任何其它的东西。 这个机器人带有GPS,精度大约为10米,还算不错,但是,它需要将自己的位某某精确到10米以内。树林里有很多沟壑和悬崖,如果机器人走错了一步,就有可能掉下悬崖,所以只有GPS是不够的。
/
或许我们知道一些机器人如何运动的信息:例如,机器人知道发送给电机的指令,知道自己是否在朝一个方向移动并且没有人干预,在下一个状态,机器人很可能朝着相同的方向移动。当然,机器人对自己的运动是一无所知的:它可能受到风吹的影响,轮子方向偏了一点,或者遇到不平的地面而翻倒。所以,轮子转过的长度并不能精确表示机器人实际行走的距离,预测也不是很完美。 GPS?传感器告诉了我们一些状态信息,我们的预测告诉了我们机器人会怎样运动,但都只是间接的,并且伴随着一些不确定和不准确性。但是,如果使用所有对我们可用的信息,我们能得到一个比任何依据自身估计更好的结果吗?回答当然是YES,这就是卡尔曼滤波的用处。
卡尔曼滤波是如何看到你的问题的
下面我们继续以只有位某某和速度这两个状态的简单例子做解释。
/
我们并不知道实际的位某某和速度,它们之间有很多种可能正确的组合,但其中一些的可能性要大于其它部分:
/
卡尔曼滤波假设两个变量(位某某和速度,在这个例子中)都是随机的,并且服从高斯分布。每个变量都有一个均值?μ,表示随机分布的中心(最可能的状态),以及方差?/,表示不确定性。
/
在上图中,位某某和速度是不相关的,这意味着由其中一个变量的状态无法推测出另一个变量可能的值。下面的例子更有趣:位某某和速度是相关的,观测特定位某某的可能性取决于当前的速度:
/
这种情况是有可能发生的,例如,我们基于旧的位某某来估计新位某某。如果速度过高,我们可能已经移动很远了。如果缓慢移动,则距离不会很远。跟踪这种关系是非常重要的,因为它带给我们更多的信息:其中一个测量值告诉了我们其它变量可能的值,这就是卡尔曼滤波的目的,尽可能地在包含不确定性的测量数据中提取更多信息! 这种相关性用协方差矩阵来表示,简而言之,矩阵中的每个元素?/?表示第 i 个和第 j 个状态变量之间的相关度。(你可能已经猜到协方差矩阵是一个对称矩阵,这意味着可以任意交换 i 和 j)。协方差矩阵通常用“/”来表示,其中的元素则表示为“/?”。
/
使用矩阵来描述问题
我们基于高斯分布来建立状态变量,所以在时刻 k 需 内容过长,仅展示头部和尾部部分文字预览,全文请查看图片预览。 糊的估计,用/和/来表示。如果再结合传感器的数据会怎样呢?
用测量值来修正估计值
我们可能会有多个传感器来测量系统当前的状态,哪个传感器具体测量的是哪个状态变量并不重要,也许一个是测量位某某,一个是测量速度,每个传感器间接地告诉了我们一些状态信息。
/
注意,传感器读取的数据的单位和尺度有可能与我们要跟踪的状态的单位和尺度不一样,我们用矩阵?/?来表示传感器的数据。
/
我们可以计算出传感器读数的分布,用之前的表示方法如下式所示:
/
卡尔曼滤波的一大优点就是能处理传感器噪声,换句话说,我们的传感器或多或少都有点不可靠,并且原始估计中的每个状态可以和一定范围内的传感器读数对应起来。
/
从测量到的传感器数据中,我们大致能猜到系统当前处于什么状态。但是由于存在不确定性,某些状态可能比我们得到的读数更接近真实状态。
/
我们将这种不确定性(例如:传感器噪声)用协方差/表示,该分布的均值就是我们读取到的传感器数据,称之为/。现在我们有了两个高斯分布,一个是在预测值附近,一个是在传感器读数附近。
/
我们必须在预测值(粉红色)和传感器测量值(绿色)之间找到最优解。 那么,我们最有可能的状态是什么呢?对于任何可能的读数/,有两种情况:(1)传感器的测量值;(2)由前一状态得到的预测值。如果我们想知道这两种情况都可能发生的概率,将这两个高斯分布相乘就可以了。
/
剩下的就是重叠部分了,这个重叠部分的均值就是两个估计最可能的值,也就是给定的所有信息中的最优估计。 瞧!这个重叠的区域看起来像另一个高斯分布。
/
如你所见,把两个具有不同均值和方差的高斯分布相乘,你会得到一个新的具有独立均值和方差的高斯分布!下面用公式讲解。
融合高斯分布
先以一维高斯分布来分析比较简单点,具有方差?/?和 μ 的高斯曲线可以用下式表示:
/
如果把两个服从高斯分布的函数相乘会得到什么呢?
/
将式(9)代入到式(10)中(注意重新归一化,使总概率为1)可以得到:
/
将式(11)中的两个式子相同的部分用?k?表示:
/
下面进一步将式(12)和(13)写成矩阵的形式,如果?Σ?表示高斯分布的协方差,/?表示每个维度的均值,则:
/
矩阵/称为卡尔曼增益,下面将会用到。放松!我们快要完成了!
将所有公式整合起来
我们有两个高斯分布,预测部分/,和测量部分/,将它们放到式(15)中算出它们之间的重叠部分:
/
由式(14)可得卡尔曼增益为:
/
将式(16)和式(17)的两边同时左乘矩阵的逆(注意/里面包含了?/?)将其约掉,再将式(16)的第二个等式两边同时右乘矩阵?/?的逆得到以下等式:
/
上式给出了完整的更新步骤方程。/就是新的最优估计,我们可以将它和/放到下一个预测和更新方程中不断迭代。
/
总结
以上所有公式中,你只需要用到式(7)、(18)、(19)。 我们可以用这些公式对任何线性系统建立精确的模型,对于非线性系统来说,我们使用扩展卡尔曼滤波,区别在于EKF多了一个把预测和测量部分进行线性化的过程。
[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]
以上为《详解卡尔曼滤波原理》的无排版文字预览,完整格式请下载
下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。