捷联惯导系统学习6.2(序贯滤波 )
序贯滤波(sequential Kalman filtering)
一种将高维数据量测更新降低为多个低维数量测更新的方法,有效降低矩阵的求逆计算量(通过把矩阵对角化,将对角拆开分开计算)
特别的对于如下方法求解求解状态增益误差阵即:
Pk−1=Pk/k−1−1+HkTRk−1Hk=Pk/k−1−1+[(Hk(1))T...(Hk(N))T][Rk(1)...0...Rk(k)...0...RkN][Hk(1)...Hk(N)]=Pk−1+(Hk(1))TRk(1)Hk(1)+...+(Hk(N))TRk(N)Hk(N)P_k^{-1}=P_{k/k-1}^{-1}+H_k^TR_k^{-1}H_k\\ =P^{-1}_{k/k-1}+\left[\begin{matrix} (H_k^{(1)})^T&...&(H_k^{(N)})^T\\ \end{matrix}\right]\left[\begin{matrix} R_k^{(1)} &...&0\\ ...&R_k^{(k)}&...\\ 0&...&R_k^{N} \end{matrix}\right]\left[\begin{matrix} H_k^{(1)}\\ ...\\ H_k^{(N)} \end{matrix}\right] \\ =P_k^{-1}+(H_k^{(1)})^TR_k^{(1)}H_k^{(1)}+...+(H_k^{(N)})^TR_k^{(N)}H_k^{(N)}Pk−1=Pk/k−1−1+HkTRk−1Hk=Pk/k−1−1+[(Hk(1))T...(Hk(N))T]⎣⎢⎡Rk(1)...0...Rk(k)...0...RkN⎦⎥⎤⎣⎢⎡Hk(1)...Hk(N)⎦⎥⎤=Pk−1+(Hk(1))TRk(1)Hk(1)+...+(Hk(N))TRk(N)Hk(N)
使用Cholesky分解得到三角矩阵
因为 RkR_kRk是正定矩阵:
Rk=LkLkTR_k=L_kL^{T}_kRk=LkLkT
构造新的测量方程:
Lk−1Zk=Lk−1HkXk+Lk−1VkL_k^{-1}Z_k=L_k^{-1}H_kX_k+L_k^{-1}V_kLk−1Zk=Lk−1HkXk+Lk−1Vk
等价于:
Zk∗=Hk∗Xk+Vk∗Z^*_k=H^*_kX_k+V_k^*Zk∗=Hk∗Xk+Vk∗
Zk∗=Lk−1Zk,Hk∗=Lk−1Hk,Vk∗=Lk−1VkZ^*_k=L_k^{-1}Z_k,H^*_k=L_k^{-1}H_k,V_k^*=L_k^{-1}V_kZk∗=Lk−1Zk,Hk∗=Lk−1Hk,Vk∗=Lk−1Vk
一般kalman滤波过程
序贯滤波过程
利用N次最小二乘估计,进行N次递推最小二乘法,
替换内容:
Xk/k−1→Xk(0),Pk/k−1→Pk(0)X_{k/k-1}\rightarrow X_k^{(0)},P_{k/k-1}\rightarrow P_{k}^{(0)}Xk/k−1→Xk(0),Pk/k−1→Pk(0)
{Kk(1)=Pk(0)(Hk(0))T[Hk(N)Pk(0)(Hk(1))T+Rk(1)]−1X^k(1)=(I−KkHk(1))X^k(0)+KkZkPk(1)=(I−Kk(1)Hk(1))Pk(0)...{Kk(N)=Pk(N−1)(Hk(N−1))T[Hk(N)Pk(N−1)(Hk(N))T+Rk(N)]−1X^k(N)=(I−KkHk(N))X^k(N−1)+KkZkPk(N)=(I−Kk(N)Hk(N))Pk(N−1)\begin{cases} K_k^{(1)}=P_k^{(0)}(H_k^{(0)})^T[H_k^{(N)}P_k^{(0)}(H_k^{(1)})^T+R_k^{(1)}]^{-1}\\ \hat X_k^{(1)}=(I-K^{}_kH^{(1)}_k)\hat X_{k}^{(0)}+K_kZ_k\\ P_k^{(1)}=(I-K^{(1)}_kH^{(1)}_k)P_k^{(0)}\\ \end{cases} \\ ...\\ \begin{cases} K_k^{(N)}=P_k^{(N-1)}(H_k^{(N-1)})^T[H_k^{(N)}P_k^{(N-1)}(H_k^{(N)})^T+R_k^{(N)}]^{-1}\\ \hat X_k^{(N)}=(I-K^{}_kH^{(N)}_k)\hat X_{k}^{(N-1)}+K_kZ_k\\ P_k^{(N)}=(I-K^{(N)}_kH^{(N)}_k)P_k^{(N-1)}\\ \end{cases} ⎩⎪⎨⎪⎧Kk(1)=Pk(0)(Hk(0))T[Hk(N)Pk(0)(Hk(1))T+Rk(1)]−1X^k(1)=(I−KkHk(1))X^k(0)+KkZkPk(1)=(I−Kk(1)Hk(1))Pk(0)...⎩⎪⎨⎪⎧Kk(N)=Pk(N−1)(Hk(N−1))T[Hk(N)Pk(N−1)(Hk(N))T+Rk(N)]−1X^k(N)=(I−KkHk(N))X^k(N−1)+KkZkPk(N)=(I−Kk(N)Hk(N))Pk(N−1)
X^k(N)→X^k,Pk(N)→Pk\hat X_k^{(N)}\rightarrow \hat X_k,P_{k}^{(N)}\rightarrow P_{k}X^k(N)→X^k,Pk(N)→Pk
捷联惯导系统学习6.2(序贯滤波 )相关推荐
- 捷联惯导系统学习6.6(Sage-Husa自适应滤波 )
原理作用 只有准确的获得系统的结构参数和噪声统计特性参数,才能获得最优值的状态估计,实际中往往是不够准确的 可以使用量测输出(输出隐含了系统模型的某些信息)对系统系统模型进行重新估计. 量测噪声方差阵 ...
- 捷联惯导系统学习2.5(等效旋转矢量微分方程的泰勒级数解)
在高精度的捷联惯导系统中,陀螺仪姿态的解算往往是通过采集一定时间内的角增量信息, 计算角增量信息计算出等效旋转矢量,在通过等效旋转矢量递推余弦阵或者四元数,完成姿态更新. 等效旋转矢量微分方程的泰勒级 ...
- 捷联惯导系统学习4.1(惯导数值更新算法)
1 常用坐标系的定义 (1)地心惯性坐标系(i 系,inertial frame) 用oixiyizio_ix_iy_iz_ioixiyizi表示,原点以地球为中心, 原点oio_ioi在地 ...
- 捷联惯导系统学习7.5(低成本组合导航系统模型)
低成本组合导航系统模型 低精度MEMS惯性/卫星/地磁组合导航系统中,选择惯导系统的姿态失准角ϕ\phiϕ.速度误差δvn\delta v^nδvn.定位误差δpn\delta p^nδpn.陀螺仪相 ...
- 捷联惯导系统学习6.1(一些卡尔曼滤波处理技术 )
噪声相关条件下的Kalman滤波 理想状态下的kalman需要系统噪声与测量噪声之间部不相关,如果测量噪声与系统噪声相关需要进行处理 噪声相关条件下的系统状态方程 Xk:n维状态向量X_k:n维状态向 ...
- 捷联惯导系统学习3.2(地球的正常重力场)
圆球模型下的地球重力 如图,重力为引力与离心力作用的共同结果,其中 引力:F=GMr2=ur2(G引力常数,M为地球质量,r为质点到地心距离)F=\frac{GM}{r^2}=\frac{u}{r^2 ...
- 捷联惯导系统学习2.6(圆锥误差补偿多子样算法)
若圆锥运动的四元数更新方程为: Q(tm)=Q(Tm−1).Q(T)Q(t_m)=Q(T_{m-1}).Q(T)Q(tm)=Q(Tm−1).Q(T) ( ...四元数乘法) ( Q(T)Q(T)Q ...
- 捷联惯导系统学习2.2(等效旋转矢量)
二 等效旋转矢量: 1 一些重要的三维矢量运算关系(证明请自己找) $ u为单位矢量 ;u'是u的一阶导数$ (1):V1×(V2×V3)=(V1∗V3)V2−(V1∗V2)V3(1):V_1\tim ...
- 捷联惯导系统学习2.5(等效旋转矢量微分方程)
已知三维旋转矢量关系如下:(证明略) 参数说明: ViV_iVi表示三维空间矢量 v=∣V∣=VVTv=|V|=\sqrt{VV^T}v=∣V∣=VVT表示矢量模值 uuu为与V同方向的单位矢量即 ...
最新文章
- 接口测试工具-Jmeter压力测试使用
- 计算机应用基础第九章在线测试答案,郑大计算机应用基础第9章节在线测试答案...
- 【APUE】孤儿进程与僵死进程
- 人工智能python课程总结1500字_李开复的《人工智能》读后感1500字
- net 操作 EXCEL
- C#LeetCode刷题之#892-三维形体的表面积(Surface Area of 3D Shapes)
- java 模板方法_Java设计模式21:模板方法(Template Method)
- 森拓品牌邀您参加第15届中国模具之都博览会
- Android ImageView设置图片原理
- ASC2 E	 Quantization Problem DP
- LQR、Stochastic Bandits、Bayesian Bandits、Contextual Bandits与基于模型的强化学习浅析
- NDK编译时指定NDK_MODULE_PATH的方法
- luncence学习
- CSS font-family 各名称一览表
- qq手机助手连接服务器失败是什么原因,按键精灵手机助手教程,按键精灵手机助手连不上手机解决方法...
- Kconfig内容(详细)总结附示例快速掌握
- python正弦波叠加方波_电赛初探(一)——正弦波、方波、锯齿波转换
- 阿尔兹海默症AD最新研究进展(2022年2月)
- Open api qps request limit reached
- Bugku--散乱的密文
热门文章
- 大流量稳定交易系统-王晓钟
- 【Arduino+ESP32专题】CP2102串口自动下载电路
- 视+AR为央视网络春晚助阵,打造央视影音AR平台
- 普尔世PULS电源维修PAS395电容充电器维修
- 浙江大学计算机专业录取,2016年浙江大学计算机学院复试成绩及拟录取名单
- qsort函数详细讲解,各种用法,妙用
- [Ansible系列]如何初始化普通用户来操作ansible?
- Python从字符串串中如何提取国家、地区或者城市信息?
- linux系统安装yum教程,Linux基本教程:Linux软件安装之Yum及源码编译安装
- 软件工程需求分析—结对