从贝叶斯滤波理论到容积卡尔曼滤波算法(CKF)详细推导及编程实现常转弯率模型估计。(matlab)
容积卡尔曼滤波(CKF)是由加拿大学者Arasaratnam和Haykin在2009年提出的。该算法的核心思想是针对非线性高斯系统,通过三阶球面径向容积准则来近似状态的后验均值和协方差,以保证在理论上以三阶多项式逼近任何非线性高斯状态的后验均值和方差。
- 贝叶斯滤波
- 球面-径向容积规则
- 容积卡尔曼滤波算法
- matlab实现"Cubature Kalman Filters"论文中常转弯率例子
贝叶斯滤波:
由于容积卡尔曼滤波是基于贝叶斯滤波理论框架的次优滤波,所以我们先来了解一下贝叶斯滤波。
在解决滤波问题时,如果我们能求出状态的后验概率密度函数,就可以通过状态的概率密度函数描述非线性系统的统计特性,再通过各种估计准则和近似方法就能得到不同的滤波算法。
系统状态后验概率密度决定了系统的多种统计特性。因此如何求得系统状态的后验概率密度函数成为关键。而贝叶斯估计的优点是给出了状态后验概率密度函数的递推求解方法,成为众多滤波算法的核心思想。
上面两个式子就组成了贝叶斯递推公式,我们可以看出贝叶斯滤波从理论上实现了非线性滤波的最优估计。
下图为贝叶斯滤波框图。
球面-径向容积规则:
由上一部分的贝叶斯滤波,我们很难直接求解上述积分。我们将上述积分变形为:
n维球坐标变换
由n维球坐标变换定理可将上面积分转换成球面径向积分:
将上面积分分解成球面积分和径向积分:
上述球面积分和径向积分都是通过容积规则来实现,容积规则是将一系列点集D用非线性函数进行传递,然后根据加权求和来近似非线性函数的后验均值和方差。
*
点集D有如下定义:
所以球面积分就变成了:
所以容积点可选取单位球的球面与其坐标系相交的点。
所以球面积分可近似为:
径向积分:
将球面积分的近似带入到径向积分中可得:
上面式子就是三阶球面径向容积规则的近似规则。
接下来我们将容积规则与高斯分布的积分相结合:
上面式子就是容积卡尔曼滤波使用的三阶球面径向容积规则。
接下来我们来看一下CKF算法的流程:
常转弯率模型CKF滤波估计(matlab):
程序如下:
CKF函数:
function [Pk,Xjian]=CKF(Pk,n,Xjian,y,Q,R)
m = 2*n; %n为状态维数
T=1;%时间
kesai=sqrt(m/2) * [eye(n),-eye(n)];
[S1]=chol(Pk)';%分解成AT*A(下三角*上三角)取下三角
Xr=S1*kesai+repmat(Xjian,1,m);%计算容积点,repmat()把元素复制m行n列
for i=1:momiga = Xr(5,i);fai= [1, sin(omiga*T)/omiga, 0, -(1-cos(omiga*T))/omiga, 0;0, cos(omiga*T), 0, -sin(omiga*T), 0;0, (1-cos(omiga*T))/omiga, 1, sin(omiga*T)/omiga, 0;0, sin(omiga*T), 0, cos(omiga*T), 0;0, 0, 0, 0, 1];Xcr(:,i) = fai*Xr(:,i); %传播容积点
end
Xpr=(1/m).*sum(Xcr,2);%状态量预测值
Ppr=(1/m).*(Xcr*Xcr')-Xpr*Xpr'+ Q;%误差协方差
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[S2]=chol(Ppr)';
Xp=S2*kesai+repmat(Xpr,1,m);
yr=[sqrt(Xp(3,:).^2+Xp(1,:).^2);atan2(Xp(3,:),Xp(1,:))];%传播Ypre = (1/m).*sum(yr,2);%计算量测预测值
Pyy=(1/m)*yr*yr'-Ypre*Ypre'+R;%协方差
Pxy=(1/m)*Xp*yr'-Xpr*Ypre';%互协方差K = Pxy*inv(Pyy); %增益
Xjian=Xpr+K*(y-Ypre); % 状态估计
Pk=Ppr-K*Pyy*K'; %估计误差协方差
主函数:
clear all;
clc;
bushu=100;
omiga=-3;
T=1;
q1=0.1,q2=1.75*10^(-4);
or=10,oo=sqrt(10);
M=[(1/3)*T^2 (1/2)*T^2;(1/2)*T^2 T]
R=diag([(or)^2 (oo)^2]);
randn('seed',36); w1=sqrt(q1*M)*randn(2,2);
randn('seed',32); w2=sqrt(q1*M)*randn(2,2);
randn('seed',29); w3=sqrt(q2*T)*randn(1,1);
Q=zeros(5,5);
Q(1,1)=w1(1,1),Q(1,2)=w1(1,2),Q(2,1)=w1(2,1),Q(2,2)=w1(2,2);
Q(3,3)=w2(1,1),Q(3,4)=w2(1,2),Q(4,3)=w2(2,1),Q(4,4)=w2(2,2);
Q(5,5)=w3;x(:,1) =[1000;300;1000;0;-3];Pk(:,:,1) =diag([100,10,100,10,100]);
Xjian(:,1)=[1000;300;1000;0;-3];
n=5;randn('seed', 5); w=sqrt(Q)*randn(5,bushu);randn('seed', 2);v=sqrt(R)*randn(2,bushu);for k = 2 : bushuomiga=x(5,k-1);fai=[1, sin(omiga*T)/omiga, 0, -(1-cos(omiga*T))/omiga, 0;0, cos(omiga*T), 0, -sin(omiga*T), 0;0, (1-cos(omiga*T))/omiga, 1, sin(omiga*T)/omiga, 0;0, sin(omiga*T), 0, cos(omiga*T), 0;0, 0, 0, 0, 1];x(:,k) = fai * x(:,k-1) +w(:,k-1); %状态值 z(:,k) = [sqrt(x(1,k).^2+x(3,k).^2);atan2(x(3,k),x(1,k))] + v(:,k) %观测值[Pk(:,:,k),Xjian(:,k)]=CKF(Pk(:,:,k-1),n,Xjian(:,k-1),z(:,k),Q,R);endt=2:bushu;
figure(1)
subplot(2,2,1)
plot(t,x(3,t),'b',t,Xjian(3,t),'r');
xlabel('时间');
ylabel('水平位置');
subplot(2,2,2)
plot(t,x(2,t),'b',t,Xjian(2,t),'r');
xlabel('时间');
ylabel('水平速度');
subplot(2,2,3)
plot(t,x(3,t),'b',t,Xjian(3,t),'r');
xlabel('时间');
ylabel('竖直位置');
subplot(2,2,4)
plot(t,x(4,t),'b',t,Xjian(4,t),'r');
xlabel('时间');
ylabel('竖直速度');
figure(2)
plot(t,x(5,t),'b',t,Xjian(5,t),'r');
legend('真值','估值');
xlabel('时间');
ylabel('转弯率');
figure(3)
plot(x(1,t),x(3,t),'b',Xjian(1,t),Xjian(3,t),'r');
运行结果如下:
补充说明:
1,因为在这个例子中系数fai是变化的,所以在编CKF函数的程序时要将fai的变化也体现出来(看第一段程序)。 2,看最后一张图我们发现估值跟的效果不是特别好可能是因为初始值过大,程序中随机数种子的选取(种子的选取不同结果也不相同,主要改变一下w3的种子)。
Help
最后本人在找关于CKf 文章中常转弯率模型的推导尤其是其中M的详细推导过程,希望大家多多分享,万分感谢!请收下小弟的膝盖,哈哈哈
从贝叶斯滤波理论到容积卡尔曼滤波算法(CKF)详细推导及编程实现常转弯率模型估计。(matlab)相关推荐
- 【学习记录】贝叶斯滤波详解
贝叶斯滤波详解 贝叶斯滤波的用途(Bayesian Filtering): 贝叶斯滤波理论的应用可谓十分广泛.我们知道,在机器人运动过程中,有两个方面的信息来源,一个是通过我们实际控制机器人的运动路线 ...
- 贝叶斯滤波(三)贝叶斯滤波算法推导
一. 状态估计(state estimation) 状态估计根据可获取的量测数据估算动态系统内部状态的方法. 贝叶斯滤波也就是在已知观测和可选的控制输入的概率分布下,估计出的状态概率分布. 状态随着时 ...
- python实现排列组合公式算法_Python实现卡尔曼滤波算法之贝叶斯滤波
Python实现卡尔曼滤波算法之贝叶斯滤波 作者:yangjian 卡尔曼滤波器属于贝叶斯滤波器的一种特例,本文主要讲解贝叶斯滤波原理及其算法的python实现. 先来看下贝叶斯公式 贝叶斯公式 :后 ...
- 【贝叶斯滤波与卡尔曼滤波】 第四讲 连续随机变量的贝叶斯公式
声明:[贝叶斯滤波与卡尔曼滤波]系列是博主对B站up主:忠厚老实的老王所分享教学内容的学习笔记,并且该系列每篇博客都会将博主听课后总结的纸质版笔记附于文末,供大家参考. B站up主:忠厚老实的老王是一 ...
- 滤波估计理论(一)——贝叶斯滤波
滤波估计理论(一)--贝叶斯滤波(Bayesian Filtering) 估计问题的建模 状态空间模型 概率模型 贝叶斯估计方法 批处理贝叶斯估计 预测,滤波还是平滑? 贝叶斯滤波 状态预测 量测更新 ...
- 【SLAM基础入门】贝叶斯滤波、卡尔曼滤波、粒子滤波笔记(2)
基于B站老王的贝叶斯滤波.卡尔曼滤波.粒子滤波 Bilibili 文章目录 第三部分:随机过程的贝叶斯滤波BF 第四部分:卡尔曼滤波KF 第三部分:随机过程的贝叶斯滤波BF 随机过程包含一系列随机变量 ...
- python中值滤波算法_Python实现卡尔曼滤波算法之贝叶斯滤波
Python实现卡尔曼滤波算法之贝叶斯滤波 作者:yangjian 卡尔曼滤波器属于贝叶斯滤波器的一种特例,本文主要讲解贝叶斯滤波原理及其算法的python实现. 先来看下贝叶斯公式 贝叶斯公式 :后 ...
- 【SLAM基础入门】贝叶斯滤波、卡尔曼滤波、粒子滤波笔记(1)
贝叶斯滤波.卡尔曼滤波.粒子滤波 (https://www.bilibili.com/video/BV1HT4y1577g?spm_id_from=333.999.header_right.histo ...
- 无人驾驶定位与贝叶斯滤波
无人驾驶需要精确的定位.本文将简要介绍无人驾驶定位的相关方法,重点介绍贝叶斯滤波框架进行递归的状态估计.同时附上一维马尔科夫定位的实例及代码. 无人驾驶定位 定位是指在空间中确定自己的位置. 传统的定 ...
最新文章
- EJS 什么是EJS后缀文件 EJS怎么用
- Android Studio使用总结
- python django设置中文及时区
- input file设置默认值_innodb_data_file_path设置--通过错误日志中page大小计算实际值...
- iOS导航控制器和Segues
- Java Server Faces (JSF)页面转换与验证(二)
- html打印预览空白,打印预览空白,网页打印空白原因及解决办法汇总
- Qt学习—qt编写定时关机程序
- 如何搭建用户画像系统?以保险行业为例
- 腾讯云TCP运维题库
- 如何快速裁剪pdf中的页面
- 2.reflect.TypeOf()
- JDK的下载与安装(详细版)
- 【实战】前端必会 —— 微信小程序引入背景图
- Typescript(一)
- 运用Chrome浏览器ADB插件获取页面元素
- 无域名HTTP请求攻击分析
- Unity 手机键盘
- SSL证书 DV,OV,EV的区别
- appnium环境搭建
热门文章
- C#超级通信调试工具[v1.0][全新发布]
- 480集课程-打通Python开发的任督二脉 轻松掌握Python高级开发技术 Python超级学科课程
- python权限管理设置_python权限管理框架
- 三生诀游戏服务器维护,《三生诀》7月26日更新公告
- 以太坊EVM兼容区块链全表
- Django urls 下划线的坑-Using the URLconf defined in xxx, Django tried these URL patterns, in thi
- 百度搜索标题设置说明
- 产品读书《极简管理法则》
- 稀疏光流和稠密光流,OpenCV实现
- 录屏有声音吗?电脑如何录屏有声音?图文教程来了!