理解Kalman滤波的使用

Kalman滤波简介

　　Kalman滤波是一种线性滤波与预测方法，原文为：A New Approach to Linear Filtering and Prediction Problems。文章推导很复杂，看了一半就看不下去了，既然不能透彻理解其原理，但总可以通过实验来理解其具体的使用方法。

　　Kalman滤波分为2个步骤，预测(predict)和校正(correct)。预测是基于上一时刻状态估计当前时刻状态，而校正则是综合当前时刻的估计状态与观测状态，估计出最优的状态。预测与校正的过程如下：

　　预测：

　　校正：

　　公式1是状态预测，公式2是误差矩阵预测，公式3是kalman增益计算，公式4是状态校正，其输出即是最终的kalman滤波结果，公式5是误差矩阵更新。各变量说明如下表：

xk	k时刻的状态
A	状态转移矩阵，和具体的线性系统相关
uk	K时刻外界对系统的作用
B	输入控制矩阵，外界的影响如何转化为对状态的影响
P	误差矩阵
Q	预测噪声协方差矩阵
R	测量噪声协方差矩阵
H	观测矩阵
Kk	K时刻的kalman增益
zk	K时刻的观测值

算法实现与分析

　　Kalman滤波最复杂的计算应该就是公式3中的矩阵求逆，考虑到实现的方便性，采用matlab来简单实现，本文主要是分析kalman滤波中各个变量的作用和对滤波结果的影响。具体代码如下：

View Code

　　在matlab中，kalman滤波实际上就是上面那5个公式，而难点却是在测试代码中针对不同问题各个变量的初始化上，下面来逐个分析。

1.建立模型，明确观测量，系统状态以及其转移方程(下面这段公式太多，通过word写好后截图)

2.初始化噪声协方差矩阵

　　经过上面一步，只有PQRK四个矩阵还未确定了。显然增益矩阵K是不需要初始化的，P是误差矩阵，初始化可以是一个随机的矩阵或者0，只要经过几次的处理基本上就能调整到正常的水平，因此也就只会影响前面几次的滤波结果。

　　Q和R分别是预测和观测状态协方差矩阵，一般可以简单认为系统状态各维之间(即上面的a和b)相互独立，那么Q和R就可以设置为对角阵。而这两个对角线元素的大小将直接影响着滤波结果，若Q的元素远大于R的元素，则预测噪声大，从而更相信观测值，这样可能使得kalman滤波结果与观测值基本一致；反之，则更相信预测，kalman滤波结果会表现得比较规整和平滑；若二者接近，则滤波结果介于前面两者之间，根据实验效果看也缺乏实际使用价值。

　　以上几个矩阵确定后，对于状态x，由于0时刻我们没有任何关于该系统的知识，可以使用0时刻的测量值z0来初始x0，预测从k=1开始；也可以初始化-1时刻的状态，当然这个状态实际是未知的，也就可随机取。2种方式都可以，但使用0时刻测量值来初始化状态，可以使得前面几次预测更准确。

3.实验分析

　　首先使用下面代码生成一组数据存在z.mat中：

View Code

　　可以看出其近似为一条振幅不断增大的正弦曲线叠加一个随机噪声。绘制出来如下：

　　如果使用上面推导的恒定状态系统模型，代码与实验结果如下：

View Code

　　可以看出滤波结果完全滞后于测量数据，其根本原因在于建立的模型存在问题。

　　如果采用上面推导的物体运动模型则只需要修改部分代码，主要是矩阵A和H，以及其他矩阵对应的维数，具体如下：

View Code

　　运行结果如下图，蓝色为观测数据，红色为kalman滤波数据，右侧为局部放大图。可以看出经过滤波后的数据相当平滑，这里Q和R中元素的量级分别为cQ和cR，下图结果可以看到cR比cQ多了6个数量级。

（1）

　　增加几组结果用于对比分析，对于的cQ和cR见图的标题。

（2）

（3）

（4）

（5）

（6）

　　首先看图1和2，cR与cQ大小均相差了3个数量级，而二者的比值相同，则kalman滤波结果相同。

　　再看图2~图6，cR/cQ在不断减小，kalman滤波结果的平滑性也在不断降低，到图5和6中，滤波结果完全和观测值相同，说明此时kalman滤波已经完全相信观测值了。原因在于cR/cQ过小，系统认为预测噪声的方差很大，不值得信赖，而观测值的噪声方差小，可信度高。

总结

　　根据上面的实验结果，可以看出Kalman滤波应用中的几个问题：

　　1.模型建立的正确性从根本上决定了滤波效果的正确性。

　　上面使用物体静止模型进行滤波，结果完全不对，而使用匀速运动模型则能达到较好的效果。从根本上讲，上面的数据也不是匀速运动的，为何结果会基本正确？看看第一个使用静止模型的滤波结果，虽然我们假定了物体是静止的，但由于观测数据的作用，kalman滤波结果也会有相应的运动而不是完全静止，也就是说滤波器在不停地修正这个状态，而在匀速运动模型中，物体的速度我们认为不变，但同样地kalman滤波器也会不停地修正这个速度，滤波器中计算的速度实质的偏离了真实速度的，因此最终也会有相应的偏差，不过这个偏差在我们容许范围内，也就可以大胆使用了。

　　如果能确定物体是匀变速直线运动，使用相应带加速度的模型会得到更准确的效果。但是越严格的模型其适用范围也相应越小。

　　2.影响滤波结果平滑性的因素是cR/cQ，这个值反映了我们对于预测和观测值的信任程度；其值越大则越相信预测结果，滤波结果平滑性好；反之则越相信观测结果，滤波结果越偏向于观测值。一般我们使用kalman滤波器是为了能平滑数据的波动，因此应尽量保证cR/cQ稍大，上面的测试结果该值在1e4以上数据较为平滑。

转载自：https://www.cnblogs.com/jcchen1987/p/4371439.html

理解Kalman滤波的使用相关推荐

目标跟踪之卡尔曼滤波---理解Kalman滤波的使用
http://www.cnblogs.com/jcchen1987/p/4371439.html 转载于:https://www.cnblogs.com/pengkunfan/p/4372647.ht ...
matlab温度数据怎么滤波_卡尔曼滤波算法思想理解 Kalman filter 第一篇
卡尔曼滤波算法思想理解 Kalman filter 第一篇最近在初步的理解目标跟踪的领域, 其中一个非常经典的算法卡尔曼滤波Kalman filter是需要有很好的理解才行, 由于已经脱离了学校,懂 ...
Kalman滤波理解
摘抄自作者:marine0131 链接:https://www.jianshu.com/p/44ff7281d4df 首先得明白P Q R这些矩阵的含义与来源 Q:过程激励噪声的协方差矩阵 ...
Kalman滤波算法原理(Matlab/C/C++)
仪器的观测存在较大的随机误差,因此会出现极端异常观测值.为此,本研究采用Kalman滤波对观测进行最佳估计,进而对时序数据进行降维处理.Kalman滤波是R. E. Kalman[1, 2]提出的一种 ...
GNSS算法进阶（二）- kalman滤波单点定位算法代码实现
状态预测 kalman滤波与前面实现的最小二乘最大的区别就在于,kalman滤波用到了历史状态信息,即进行状态预测. 公式中BU(k)(控制输入)在我们定位模型中用不到. 从(k-1)时刻将状态转移到 ...
卡尔曼滤波与组合导航原理（三）连续随机系统的离散化与连续时间Kalman滤波
文章目录一.连续时间系统方程离散化 1.连续时间模型 2.状态转移矩阵计算 3.激励噪声的等效计算 4.最终离散化结论 5.常见简单随机过程离散化 6.实际物理信号的噪声单位二.连续时间量测方程离 ...
Kalman 滤波用于自由落体运动目标跟踪问题
某一物体在重力场做自由落体运动.观测装置对其位移进行检测,在传感器受到未知的独立分布随机信号的干扰下,我们需要估计该物体的运动位移和速度,该系统是二维状态估计系统. 不考虑x方向上位置变化,只估计y轴 ...
Kalman滤波算法详细推导及简单匀速直线运动程序仿真（matlab）
Kalman滤波算法详细推导及简单匀速直线运动程序仿真(matlab) 起初只是知道Kalman滤波的核心公式和会用,没有仔细研究,最近老师让讲Kalman算法,所以系统的学习了该算法,并结合匀速直线 ...
Kalman滤波算法解释与实现
转载,原文地址,请支持:http://www.cnblogs.com/ycwang16/p/5999034.html 认知计算,还要从贝叶斯滤波的基本思想讲起.这一部分,我们先回顾贝叶斯公式的数学基础 ...

理解Kalman滤波的使用

理解Kalman滤波的使用相关推荐

最新文章

热门文章