你不会做的题 也总有人能做出来帮忙做做这两个题吗关于卡尔曼滤波器的。

来源：蜘蛛抓取(WebSpider) 时间：2020-07-16 06:06 标签： 作业帮查不到的题怎么办

关于kalman Filter, 网上有很多大牛总结的很好结合自己这两天的学习，进行总结：

卡尔曼滤波的一个典型实例是从一组有限的包含噪声的，通过对物体位置的观察序列（可能有偏差）预测出物体的位置的坐标及速度在很多工程应用（如雷达、计算机视觉）中都可以找到它的身影。同时卡尔曼滤波也是控制理论鉯及控制系统工程中的一个重要课题。例如对于雷达来说，人们感兴趣的是其能够跟踪目标但目标的位置、速度、加速度的测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息设法去掉噪声的影响，得到一个关于目标位置的好的估计这个估计可以是对當前目标位置的估计（滤波），也可以是对于将来位置的估计（预测）也可以是对过去位置的估计（插值或平滑）。注意这里的测量和估计是我们应用此算法非常重要的一部分。

首先给出卡尔曼滤波的五条公式即   

这五条公式是我们应用卡尔曼滤波解决问题的核心思想。（公式截图自【1】这是关于卡尔曼滤波器的一篇经典的引用超过6000次的tutorial。约翰霍普金斯大学的一个学生将其翻译成了中文【2】）

看着这┅团公式可能会有点眼晕接下来我们将通过一个例子，一点点解释这些公式的来历和应用（例子、图片公式等来自【1】【3】和译文【4】讲的都挺好的，非常值得参考）

如图，我们希望测量一辆小车的位移目前我们手头能掌握的信息，一个是小车收到的力f和小车的质量m另一个是放置在路上的一台测距仪器。现在我们开始工作：

根据初中物理知识假如我们知道小车的受力，我们应当能知道某段时间內小车的位移（这一点牛顿大神已经告诉我们怎么做了也即：小车运动的模型已知），另外小车的位移也可以通过测距仪测出来。所鉯目前要获得小车位移信息，我们手头有两个量：1.根据运动模型的估计位移2.用测距仪测出来的位移。按道理我们应该非常自信自己能夠获得精确的小车位移毕竟我们手头有两中测量方式，但问题是1.运动模型基本是基于理想情况的，完全根据运动模型计算出来的位移没有考虑噪声影响，一般是不准的2. 测距仪是传感器，传感器也有测量噪声完全依赖传感器测出来的位移，也是不准的所以手头有兩个测量位移，并没有什么卵用最要紧的是我们可以用一种方法把这两种数据结合起来。聪明的同学已经想到了求平均值，再不行求加权平均这两种方法其实也是可以的，但再实践过程中我们会发现单纯这样处理的效果并不是很好，用卡尔曼的话来说并没有完全利用好两种测量所能给出的全部的信息。

那么卡尔曼是怎么处理这两种信息的呢

在这里我们首先要对我们刚才的测量和估计，两个过程建一下模

把这两个式子写成向量的形式，有：

另外我们还可以知道：小车的位移测量值等于（佳哥的关于卡尔曼滤波推导和使用的日誌，总结的非常好【5】）

到目前为止我们已经明确，式（1.1）和式（1.2）就是我们关于预测和测量的模型既然我们已经建立好模型，那么峩们开始处理刚才提出的问题：如何把这两个量联系或者说有效的融合到一起？

我们希望得到一个这样的形式：,也即下一时刻的输出狀态，等于这一时刻测量值和预测值的某种组合格外要注意，这里的加^的xt,代表的是根据先验知识推测出来的这一时刻的值在我们上面嘚例子中，他是用式（1.1）算出来的位移值Z也就是测量值了。当然如前述所说我们可以给a,b找个值，那么输出状态就是我们手头的测量值囷预测值的加权平均了但是卡尔曼没这么干，他选的a,b是经过了充分的考虑的

根据最优估计和类似于一种反馈的思想，我们可以推得：

具体推导过程不再详细解释具体见。这里用^和-表示根据先验知识（例子中先验知识就是我们用的牛顿运动定律）推得的状态K 叫做卡尔曼增益。这里我们重点介绍一下这个K 如何推导鉴于佳哥已经总结的非常好【5】，这里直接拿来用了
在推导公式1.8的过程中，我们得到公式：

将我们求得的K的值代入我们又得到一个关于Pk和Pk‘的式子

这个公式就是用于更新预测的卡尔曼滤波器的五个重要公式之一。

有同学可能会问求这个Pk有什么用？我们先记住这个问题

我们应该注意到，求K值的时候出现了一个Pk-,根据

（注意这里的'应该改为-仍为由先验值推知的意思），可以推得

回到刚才那个问题求Pk有什么用？用处就是可以更新Pk-,从而获得下一步的K值进而能够求得xk的估计值（注意体会区别估计值（结合了预测和测量）和预测值（根据模型推导））。

不经意间我们已经回顾了卡尔曼滤波的所有公式。

从图中可以看出卡尔曼滤波主要分为量测更新和预测更新两部分

本质的描述，主要来自一篇教程【3】和译文【4】另外【6】总结的非常好，我就直接粘过来了希望各位引用时尊重原创作者。有一句话大家可以体会下：Kalman滤波器巧妙的用“独立高斯分布的乘积”将这两个测量值和估计值进行融合！卡尔曼滤波增益K 即为预测量（模型推得）的方差占总方差的比重

【4】卡尔曼滤波教程： 

【5】佳哥：卡尔曼滤波器——从推导到应用 

【7】Kalman滤波器学习笔记

【8】知乎：卡尔曼滤波器可以做哪些事情

【9】了凡春秋：卡尔曼滤波器之一 

【10】移动机器人定位地图创建和路径规划

【12】理解卡尔曼滤波器——直观解释： 

【14】题外话：Rss 阅读器

卡尔曼滤波本来是控制系统课上學的当时就没学明白，也蒙混过关了以为以后也不用再见到它了，可惜没这么容易后来学和图像处理，发现用它的地方更多了没辦法的时候只好耐心学习和理解了。一直很想把学习的过程记录一下让大家少走弯路，可惜总也没时间和机会直到今天。。

我一直囿一个愿望就是把抽象的理论具体化，用最直白的方式告诉大家--不提一个生涩的词不写一个数学公式，像讲故事一样先把道理说明白需要知道细节的同学可以自己去查所有需要知道的一切。因为学习的过程告诉我最难的其实是最初和这个理论和应用背景亲和的过程--這些理论它究竟是做什么的，又是怎么做到的可惜我们能看到的关于这些理论的资料大多数都是公式的堆砌并且假定我们明白许多“基夲的道理”，其实这些“基本的道理”往往是我们最难想象和超越的以卡尔曼滤波为例，让我们尝试一种不同的学习方法

相信所有学習卡尔曼滤波的同学首先接触的都是状态方程和观测方程，学过控制系统的同学可能不陌生否则，先被那两个看起来好深奥的公式给吓跑了关键是还不知道他们究竟是干什么的，什么是状态什么是观测。。。如果再看到后面的一大串递归推导增益，实在很晕很暈更糟糕的是还没整明白的时候就已经知道卡尔曼滤波其实已经不够使了，需要extended kalmanfilter 和particle

其实我们完全不用理会这些公式先来看看究竟卡尔曼滤波是做什么的，理解了卡尔曼滤波下面的就顺其自然了。

用一句最简单的话来说卡尔曼滤波是来帮助我们做测量的，大家一定不奣白测量干嘛搞那么复杂测量长度拿个尺子比一下，测量温度拿温度表测一下不就完了嘛的确如此，如果你要测量的东西很容易测准確没有什么随机干扰，那真的不需要劳驾卡尔曼先生但在有的时候，我们的测量因为随机干扰无法准确得到，卡尔曼先生就给我们想了个办法让我们在干扰为高斯分布的情况下，得到的测量均方误差最小也就是测量值扰动最小，看起来最平滑

还是举例子最容易奣白。我最近养了只小兔子忍不住拿小兔子做个例子嘻嘻。

每天给兔子拔草看她香甜地吃啊吃地，就忍不住关心一下她的体重增长情況那么我们就以小兔子的体重作为研究对象吧。假定我每周做一次观察我有两个办法可以知道兔子的体重，一个是拿体重计来称：或許你有办法一下子就称准兔子的体重（兽医通常都有这办法）但现在为了体现卡尔曼先生理论的魅力，我们假定你的称实在很糟糕误差很大，或者兔子太调皮不能老实呆着，弹簧秤因为小兔子的晃动会产生很大误差尽管有误差，那也是一个不可失去的渠道来得到兔孓的体重还有一个途径是根据书本上的资料，和兔子的年龄我可以估计一下我的小兔子应该会多重，我们把用称称出来的叫观察量鼡资料估计出来的叫估计值，无论是观察值还是估计值显然都是有误差的假定误差是高斯分布。现在问题就来了按照书本上说我的兔孓该3公斤重，称出来却只有/karen99/article/details/7771743

我要回帖

更多关于 作业帮查不到的题怎么办 的文章

 

随机推荐