1.用来做什么?

2.线性卡尔曼滤波

3.扩展卡尔曼滤波

4.无迹卡尔曼滤波

1.用来做什么?

——针对系统的不确定性：1.不存在完美的数学模型

2.系统的扰动不可控、也很难建模

3.测量传感器存在误差

例1：通过系统的状态方程得出的电流值i1，和传感器测得的电流值i2，由于不确定性的存在，两个值都不准确，所以i1和i2通过卡尔曼滤波算法算出其最接近真实值的值。

例2：如小红同学说今天老师穿的是红色的衣服（根据以往经验，每周四老师都穿红衣服，小红得出的结论），小白说老师今天穿的白色的衣服（看到一个像老师的人穿的白色的衣服，小白得出老师穿白色衣服的结论），通过卡尔曼滤波推算谁说话的权重更大，则推断出更应该相信谁的话。

2.线性卡尔曼滤波

系统真实方程为（状态方程的基础上存在噪声）：

先验估计（他叫这名）：

—— 这是系统状态方程（方程建立的不准确性）

—— 这是先验误差协方差（用来算卡尔曼增益）

——（注意：噪声满足,其中0是期望值，是协方差矩阵。这里是误差的期望/协方差（越接近0越好）。

后验估计（所要求的值）：

因为： ——（传感器测量的不准确性）

——后验得到的值

——（真实值与后验估计误差的期望(目标期望为0)）

其目标为P的期望为0或方差最小（使后验估计与真实值误差最小），通过推导可以得到卡尔曼增益：

——(最小时求得的）

同时可以得到：

—— (用来更新值）

3.扩展卡尔曼滤波

卡尔曼滤波主要用于分析线性系统。

扩展卡尔曼滤波主要用于分析非线性系统。（正态分布的随机变量通过非线性系统后就不再是正态的了）。

扩展卡尔曼滤波——主要是通过泰勒级数一阶展开，将非线性系统线性化，之后的求取与线性化卡尔曼滤波一致。

非线性系统：

泰勒级数一阶展开式：

多维用雅克比矩阵

对非线性系统线性化。系统有误差，无法在真实点线性化，则在处线性化（为时的后验估计）

等于0（误差假设为0）雅克比矩阵雅克比矩阵。

在线性化：

,。

令，。

——线性化后的系统方程

先验估计：

后验估计：

标红部分为扩展和线性卡尔曼滤波的不同之处。

4.无迹卡尔曼滤波

由于扩展卡尔曼滤波可能存在线性化误差，且一般情况下雅克比矩阵不易实现，增加了算法的计算复杂度。

无迹卡尔曼滤波不采用泰勒展开实现非线性系统线性化，而是采用无迹变换（Unscented Transform，UT）来处理均值和协方差的非线性传递问题。（UKF算法是对非线性函数的概率密度分布进行近似，用一系列确定样本来逼近状态的后验概率密度，而不是对非线性函数进行近似，不需要对雅克比矩阵进行求导。）

无迹变换：

——（1）原状态分布中按某一规则选取一些采样点（其均值和方差等于原状态分布的均值和方差）

—— （2）将点带入非线性方程中（求取变换后的均值和协方差）

以对称分布采样的UT变换为例。设一个非线性变换。状态向量为维随机变量，已知其均值和方差。通过UT变换得到2n+1个sigma点和相应的权值。

（1）计算2n+1个sigma点，即采样点

表示矩阵方根的第列。注意应确保为半正定矩阵。

设:

则：

, ——与对称

合并起来就是9个sigma点：

sig1 sig2 sig3 sig4 sig5 sig6 sig7 sig8 sig9

（2）计算采样点相应的权值

将9个sigma点带入非线性方程得到新的sigma点：

假设得到 sig1 sig2 sig3 sig4 sig5 sig6 sig7 sig8 sig9

，

定义权值，

可求得下一个点的先验值（经过UT变换后得到的先验值)

(随便填的值，我就不算了哈哈哈)

以上是无迹变换算先验值的整个过程。

无迹卡尔曼滤波算法：

非线性系统：

步骤：

————1、经过UT变换求得sigma采样点及其权值

————2、计算2n+1个sigma点集的一步预测

————3、系统状态量的一步预测（相当于KF/EKF的先验值）

——UT变换后得到的新的状态值

————4、再次使用UT变换，产生新的sigma点集

————5、新的sigma点集带入观测方程，得到预测的观测量

————6、通过加权求得观测量新的均值及协方差

——UT变换后得到的新的观测值

————7、计算卡尔曼增益

————8、系统的状态更新和协方差更新

图1. 卡尔曼滤波流程图

实际应用（仿真分析）：

系统方程：

,,,。

真实状态信息为：

UKF滤波算法得到的目标状态为：

定义均方根误差（RMSE）：

代码：

T=1;
N=60/T;
X=zeros(4,N); ——定义X为4行60列的数列
X(:,1)=[-100,2,200,20]; ——第一个点
Z=zeros(1,N); ——定义Z为1行60列的数列
delta_w=1e-3;
Q=delta_w*diag([0.5,1]);   ——状态噪声
G=[T^2/2,0;T,0;0,T^2/2;0,T];
R=5;   ——观测噪声
F=[1,T,0,0;0,1,0,0;0,0,1,T;0,0,0,1];
x0=200;
y0=300;   ——可以随便给定（Z方程里的值）

Xstation=[x0,y0];
v=sqrtm(R)*randn(1,N);
for t=2:N
X(:,t)=F*X(:,t-1)+G*sqrtm(Q)*randn(2,1);
end
for t=1:N
Z(t)=Dist(X(:,t),Xstation)+v(t);
end ——真实状态值和观测值

L=4;
alpha=1;
kalpha=0;
belta=2;
ramda=3-L;
for j=1:2*L+1
Wm(j)=1/(2*(L+ramda));
Wc(j)=1/(2*(L+ramda));
end
Wm(1)=ramda/(L+ramda); ——求第一次方差的权值
Wc(1)=ramda/(L+ramda)+1-alpha^2+belta; ——求第一次均值的权值

Xukf=zeros(4,N);
Xukf(:,1)=X(:,1);
P0=eye(4);

for t=2:N ——（注：下面给出的数据是第一次循环）
xestimate=Xukf(:,t-1);

P=P0; ——初始协方差随便给定 (4行4列矩阵)
cho=(chol(P*(L+ramda)))'; ——半正定矩阵

for k=1:L
xgamaP1(:,k)=xestimate+cho(:,k);

xgamaP2(:,k)=xestimate-cho(:,k); —— xgamaP1的1列与xgamaP2的1列关于xestimate对称

xgamaP1的2列与xgamaP2的2列对称

xgamaP1的3列与xgamaP2的3列对称

xgamaP1的4列与xgamaP2的4列对称

end
Xsigma=[xestimate,xgamaP1,xgamaP2]; ——求出第一步的9个sigma点

Xsigmapre=F*Xsigma; ——9个sigma点带入非线性函数得到新的9个sigma点

Xpred=zeros(4,1);
for k=1:2*L+1
Xpred=Xpred+Wm(k)*Xsigmapre(:,k); ——新的状态值（先验值）4行1列

end

Ppred=zeros(4,4);
for k=1:2*L+1
Ppred=Ppred+Wc(k)*(Xsigmapre(:,k)-Xpred)*(Xsigmapre(:,k)-Xpred)';
end
Ppred=Ppred+G*Q*G'; ——新的协方差

chor=(chol((L+ramda)*Ppred))';
for k=1:L
XaugsigmaP1(:,k)=Xpred+chor(:,k);
XaugsigmaP2(:,k)=Xpred-chor(:,k);
end
Xaugsigma=[Xpred XaugsigmaP1 XaugsigmaP2]; ——先验值经UT变化得到新的9个sigma点（用来算Z值）

for k=1:2*L+1;
Zsigmapre(1,k)=hfun(Xaugsigma(:,k),Xstation);——9个sigma点带入非线性函数得到新的9个 end sigma点，公式
Zpred=0;
for k=1:2*L+1
Zpred=Zpred+Wm(k)*Zsigmapre(1,k); ——新的Z值
end

Pzz=0;
for k=1:2*L+1
Pzz=Pzz+Wc(k)*(Zsigmapre(1,k)-Zpred)*(Zsigmapre(1,k)-Zpred)'; ——用来求卡尔曼增益
end
Pzz=Pzz+R;

Pxz=zeros(4,1);
for k=1:2*L+1
Pxz=Pxz+Wc(k)*(Xaugsigma(:,k)-Xpred)*(Zsigmapre(1,k)-Zpred)'; ——用来求卡尔曼增益
end

K=Pxz*inv(Pzz);

xestimate=Xpred+K*(Z(t)-Zpred); ——最终求得的值

P=Ppred-K*Pzz*K'; ——更新协方差值
P0=P;
Xukf(:,t)=xestimate; ——迭代
end

for i=1:N
Err_KalmanFilter(i)=Dist(X(:,i),Xukf(:,i));
end
figure
hold on;box on;
plot(X(1,:),X(3,:),'-k.');
plot(Xukf(1,:),Xukf(3,:),'-r+');
legend('真实轨迹','UKF轨迹')
figure
hold on;box on;
plot(Err_KalmanFilter,'-ks','MarkerFace','r')

调用函数1：

function d=Dist(X1,X2)
if length(X2)<=2
d=sqrt((X1(1)-X2(1))^2+(X1(3)-X2(2))^2);
else
d=sqrt((X1(1)-X2(1))^2+(X1(3)-X2(3))^2);
end

调用函数2：
function[y]=hfun(x,xx)
y=sqrt((x(1)-xx(1))^2+(x(3)-xx(2))^2);

参考视频：

【卡尔曼滤波器】1_递归算法_Recursive Processing_哔哩哔哩_bilibili

参考书本：

卡尔曼滤波原理及应用——MATLAB仿真

超详细讲解无迹卡尔曼（UKF）滤波（个人整理结合代码分析）相关推荐

mysql .pdb是什么文件_超详细讲解如何使用 pdb 在服务器上调试代码
Pycharm 的图形化界面虽然好用,但是在某些场景中,是无法使用的.而 Python 本身已经给我们提供了一个调试神器 -- pdb,可能你还不知道它,为了讲解这个神器,我写了这篇文章来帮助你轻松的 ...
心电图机原理及电路超详细讲解
心电图机原理及电路超详细讲解心电图主要器件导联单极导联和双极导联威尔逊中心端加压导联胸导联心电图机的结构电路框图介绍输入部分过压保护电路高频滤波电路低压保护及缓冲放大器屏蔽 ...
Python的零基础超详细讲解（第十三天）-Python的类与对象
基础篇往期文章如下: Python的零基础超详细讲解(第一天)-Python简介以及下载 Python的零基础超详细讲解(第二天)-Python的基础语法1 Python的零基础超详细讲解(第三天)- ...
Python的零基础超详细讲解(第十二天）-Python函数及使用
基础篇往期文章: Python的零基础超详细讲解(第一天)-Python简介以及下载_编程简单学的博客-CSDN博客 Python的零基础超详细讲解(第二天)-Python的基础语法1_编程简单学的博 ...
Python的零基础超详细讲解（第七天）-Python的数据的应用
往期文章 Python的零基础超详细讲解(第一天)-Python简介以及下载_编程简单学的博客-CSDN博客 Python的零基础超详细讲解(第二天)-Python的基础语法1_编程简单学的博客-CS ...
Python的零基础超详细讲解（第五天）-Python的运算符
往期文章 Python的零基础超详细讲解(第一天)-Python简介以及下载_编程简单学的博客-CSDN博客 Python的零基础超详细讲解(第二天)-Python的基础语法1_编程简单学的博客-CS ...
python高级语法装饰器_Python高级编程——装饰器Decorator超详细讲解上
Python高级编程--装饰器Decorator超详细讲解(上篇) 送你小心心记得关注我哦!! 进入正文全文摘要装饰器decorator,是python语言的重要特性,我们平时都会遇到,无论是面向 ...
mybatis-plus超详细讲解
(6条消息) mybatis-plus超详细讲解_zdsg45的博客-CSDN博客_mybatis-plushttps://blog.csdn.net/zdsg45/article/details/1 ...
stm32f103利用HC06进行蓝牙通信，在7针的OLED屏幕上显示，带数据更新功能（带超详细讲解）
stm32f103利用HC06进行蓝牙通信,在7针的OLED屏幕上显示,带数据更新功能(带超详细讲解) 首先看看效果吧手机端发送一个数据在OLED屏幕上显示其实蓝牙通信就是个蓝牙转串口的过程,手机 ...

超详细讲解无迹卡尔曼（UKF）滤波（个人整理结合代码分析）