卡爾曼濾波(一)

卡爾曼濾波(一)

我們將從理論和實(shí)際案例兩個(gè)方面討論卡爾曼濾波器配阵,以下的討論可能需要一些線性代數(shù)和概率論知識(shí)。

首先是理論方面:

1. 模型建立

卡爾曼濾波建立在線性代數(shù)和隱馬爾可夫模型(hidden Markov model)上沐飘。我們?cè)谶@里只討論最簡(jiǎn)單的一種模型尝胆,其基本動(dòng)態(tài)系統(tǒng)可以用一個(gè)馬爾可夫鏈表示嗓奢,該馬爾可夫鏈建立在一個(gè)被高斯噪聲(即正態(tài)分布的噪聲)干擾的線性算子上的除呵。系統(tǒng)的狀態(tài)可以用一個(gè)元素為實(shí)數(shù)的向量表示。隨著離散時(shí)間的每一個(gè)增加轧坎,這個(gè)線性算子就會(huì)作用在當(dāng)前狀態(tài)上宏邮,產(chǎn)生一個(gè)新的狀態(tài),并也會(huì)帶入一些噪聲缸血,同時(shí)系統(tǒng)的一些已知的控制器的控制信息也會(huì)被加入蜜氨。同時(shí),另一個(gè)受噪聲干擾的線性算子產(chǎn)生出這些隱含狀態(tài)的可見輸出捎泻。

為了從一系列有噪聲的觀察數(shù)據(jù)中用卡爾曼濾波器估計(jì)出被觀察過程的內(nèi)部狀態(tài)飒炎,必須把這個(gè)過程在卡爾曼濾波的框架下建立模型。也就是說對(duì)于每一步 k笆豁,定義矩陣 F{k}, H{k}, Q{k}, R{k} 郎汪,有時(shí)也需要定義 B{k} ,如下闯狱∩酚卡爾曼濾波模型假設(shè)k時(shí)刻的真實(shí)狀態(tài)是從(k?1)時(shí)刻的狀態(tài)演化而來,符合下式:

(1.1)

其中

  • F{k} 是作用在 x{k?1} 上的狀態(tài)變換模型(/矩陣/矢量)哄孤。
  • B{k} 是作用在控制器向量 u{k} 上的輸入-控制模型照筑。
  • w{k} 是過程噪聲,并假定其符合均值為零录豺,協(xié)方差矩陣為 Q{k} 的多元正態(tài)分布朦肘。w{k} ~ N(0,Q{k})

在時(shí)刻k饭弓,對(duì)真實(shí)狀態(tài) x{k} 的一個(gè)測(cè)量 z{k} 滿足下式:

(1.2)

其中

  • H{k} 是觀測(cè)模型双饥,它把真實(shí)狀態(tài)空間映射成觀測(cè)空間
  • v{k} 是觀測(cè)噪聲,其均值為零弟断,協(xié)方差矩陣為 R{k} 咏花,且服從正態(tài)分布。 v{k} ~ N(0,R{k})

初始狀態(tài)以及每一時(shí)刻的噪聲{x0, w1, ..., wk, v1 ... vk}都認(rèn)為是互相獨(dú)立的阀趴。

2. 公式推導(dǎo)

定義兩個(gè)矩陣 P{k|k} 昏翰、 P{k|k-1} 滿足下式:

(1.3)
(1.4)

其中:

  • P{k|k} 表示后驗(yàn)估計(jì)誤差協(xié)方差矩陣, x'{k|k} 叫做后驗(yàn)狀態(tài)估計(jì)量刘急,表示對(duì)當(dāng)前的狀態(tài)估計(jì)量棚菊。
  • P{k|k-1} 表示先驗(yàn)估計(jì)誤差協(xié)方差矩陣, x'{k|k-1} 叫做先驗(yàn)狀態(tài)預(yù)測(cè)量叔汁,表示根據(jù)第k-1次狀態(tài)預(yù)測(cè)的狀態(tài)量统求。(這里一定要分清預(yù)測(cè)量與估計(jì)量)

這里說一下先驗(yàn)與后驗(yàn)狀態(tài)估計(jì)量之間的關(guān)系检碗。

我們先定義一個(gè) y'{k} 叫做測(cè)量余量,表示時(shí)刻 k 測(cè)量值與根據(jù) k-1 時(shí)刻得到的預(yù)測(cè)值在觀測(cè)空間中的差異码邻,滿足:

(1.5)

然后有折剃,

(1.6)

這里的 K{k} 叫做卡爾曼增益,下面會(huì)給出推導(dǎo)像屋。這里可以理解為估計(jì)量是預(yù)測(cè)量和測(cè)量值的線性組合怕犁,K{k} 決定了兩者的權(quán)重。

(1.7)

卡爾曼濾波器是一個(gè)最小均方誤差估計(jì)器己莺,后驗(yàn)狀態(tài)誤差估計(jì)是

image

最小化這個(gè)矢量幅度平方的期望值奏甫,

image

這等同于最小化后驗(yàn)估計(jì)協(xié)方差矩陣P{k|k}的跡(trace)。將式1.7中的項(xiàng)展開凌受,得到:

(1.8)

對(duì)未知數(shù) K{k} 求導(dǎo)扶檐,導(dǎo)數(shù)為零處跡最小,從而解出卡爾曼增益:

image
image

將解出的卡爾曼增益帶入式1.8可得:

image

根據(jù)式1.1胁艰、1.4可得:

image

至此款筑,我們就已經(jīng)完成了理論公式推導(dǎo)。

3. 總結(jié)

預(yù)測(cè):

image

更新:

image

4. Tips

以上的公式推導(dǎo)主要是基于矩陣的性質(zhì)以及矩陣運(yùn)算的規(guī)則腾么。

  1. 協(xié)方差矩陣是對(duì)稱正定的奈梳。

  2. image

5. Reference

  1. https://zh.wikipedia.org/wiki/卡爾曼濾波
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市解虱,隨后出現(xiàn)的幾起案子攘须,更是在濱河造成了極大的恐慌,老刑警劉巖殴泰,帶你破解...
    沈念sama閱讀 212,884評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件于宙,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡悍汛,警方通過查閱死者的電腦和手機(jī)捞魁,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,755評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來离咐,“玉大人谱俭,你說我怎么就攤上這事∠” “怎么了昆著?”我有些...
    開封第一講書人閱讀 158,369評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)术陶。 經(jīng)常有香客問我凑懂,道長(zhǎng),這世上最難降的妖魔是什么梧宫? 我笑而不...
    開封第一講書人閱讀 56,799評(píng)論 1 285
  • 正文 為了忘掉前任接谨,我火速辦了婚禮杭攻,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘疤坝。我一直安慰自己兆解,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,910評(píng)論 6 386
  • 文/花漫 我一把揭開白布跑揉。 她就那樣靜靜地躺著锅睛,像睡著了一般。 火紅的嫁衣襯著肌膚如雪历谍。 梳的紋絲不亂的頭發(fā)上现拒,一...
    開封第一講書人閱讀 50,096評(píng)論 1 291
  • 那天,我揣著相機(jī)與錄音望侈,去河邊找鬼印蔬。 笑死,一個(gè)胖子當(dāng)著我的面吹牛脱衙,可吹牛的內(nèi)容都是我干的侥猬。 我是一名探鬼主播,決...
    沈念sama閱讀 39,159評(píng)論 3 411
  • 文/蒼蘭香墨 我猛地睜開眼捐韩,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼退唠!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起荤胁,我...
    開封第一講書人閱讀 37,917評(píng)論 0 268
  • 序言:老撾萬榮一對(duì)情侶失蹤瞧预,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后仅政,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體垢油,經(jīng)...
    沈念sama閱讀 44,360評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,673評(píng)論 2 327
  • 正文 我和宋清朗相戀三年圆丹,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了滩愁。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,814評(píng)論 1 341
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡运褪,死狀恐怖惊楼,靈堂內(nèi)的尸體忽然破棺而出玖瘸,到底是詐尸還是另有隱情秸讹,我是刑警寧澤,帶...
    沈念sama閱讀 34,509評(píng)論 4 334
  • 正文 年R本政府宣布雅倒,位于F島的核電站璃诀,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏蔑匣。R本人自食惡果不足惜劣欢,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,156評(píng)論 3 317
  • 文/蒙蒙 一棕诵、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧凿将,春花似錦校套、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,882評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至犀变,卻和暖如春妹孙,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背获枝。 一陣腳步聲響...
    開封第一講書人閱讀 32,123評(píng)論 1 267
  • 我被黑心中介騙來泰國打工蠢正, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人省店。 一個(gè)月前我還...
    沈念sama閱讀 46,641評(píng)論 2 362
  • 正文 我出身青樓嚣崭,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國和親懦傍。 傳聞我的和親對(duì)象是個(gè)殘疾皇子有鹿,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,728評(píng)論 2 351

推薦閱讀更多精彩內(nèi)容

  • 卡爾曼濾波在我當(dāng)學(xué)生的時(shí)候就用過,但是當(dāng)年我似乎就是套公式谎脯,沒有理解其精髓葱跋,加之時(shí)間久了有點(diǎn)模糊,突然需要指導(dǎo)學(xué)生...
    Roger_羅杰閱讀 83,714評(píng)論 41 159
  • 姓名:周小蓬 16019110037 轉(zhuǎn)載自:http://blog.csdn.net/MangZuo/artic...
    aeytifiw閱讀 3,161評(píng)論 1 13
  • 經(jīng)過看各種博客和文章源梭,讓我最清楚明白的娱俺,是xiahouzuoxin 的博客,之后又看了一些國外的文獻(xiàn)進(jìn)行自己的理解...
    marine0131閱讀 7,409評(píng)論 4 12
  • 本文將不解釋卡爾曼濾波具體的數(shù)學(xué)原理废麻,不作為小白晉升高端玩家的臺(tái)階荠卷,只說卡爾曼濾波在簡(jiǎn)單場(chǎng)景下(處理溫度、加速度計(jì)...
    倫啊倫閱讀 68,148評(píng)論 13 61
  • 我在特羅亞留於加布的那件外衣烛愧,你來的時(shí)候可以帶來油宜,那些書也要帶來,更要緊的是那些皮卷怜姿。 即便在面臨寒冷和死亡的時(shí)候...
    YNC再寫一篇閱讀 101評(píng)論 0 0