扩展卡尔曼滤波原理及其应用.ppt

《扩展卡尔曼滤波原理及其应用.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、扩展卡尔曼滤波原理及其应用引入：室内温度测量假设当前室内温度仅跟上一时刻有关温度计观测（摄氏－〉华氏）根据连续的观测值来推算实际温度变化引入：室内温度测量假设当前室内温度仅跟上一时刻有关◎但变化中可能有误差温度计观测（摄氏－〉华氏）◎读数可能有误差两种噪声互不相关根据连续的观测值来推算实际温度变化根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白

2、噪声（WhiteGaussianNoise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（GaussianDistribution）。我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。引入：室内温度测量对于某一分钟我们有两个有关于该房间的温度值：根据经验的预测值（系统的预测值）和温度计的值（测量值）。假如我们要估算k时刻的是实际温度值。首先要根据k-1时刻的温度值，来预测k时刻的温度。因为相信温度是恒定的，所以得到k时刻的温度预

3、测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的协方差来判断。Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k

4、时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的协方差比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于

5、上面的3）。1.首先我们要利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一状态而预测出现在状态：X(k

6、k-1)=AX(k-1

7、k-1)+BU(k)………..(1)式(1)中，X(k

8、k-1)是利用上一状态预测的结果，X(k-1

9、k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。经典卡尔曼滤波经典卡尔曼滤波2.到现在为止，我们的系统结果已经更新了，可是，对应于X(k

10、k-1)的covariance还没更新。我

11、们用P表示covariance：P(k

12、k-1)=AP(k-1

13、k-1)A’+Q………(2)式(2)中，P(k

14、k-1)是X(k

15、k-1)对应的covariance，P(k-1

16、k-1)是X(k-1

17、k-1)对应的covariance，A’表示A的转置矩阵，Q是系统过程激励噪声协方差。式子1，2就是卡尔曼滤波器5个公式当中的前两个，也就是对系统的预测。经典卡尔曼滤波现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k

18、

19、k)：X(k

20、k)=X(k

21、k-1)+Kg(k)(Z(k)-HX(k

22、k-1))………(3)其中Kg为卡尔曼增益(KalmanGain)：Kg(k)=P(k

23、k-1)H’/(HP(k

24、k-1)H’+R)………(4)经典卡尔曼滤波到现在为止，我们已经得到了k状态下最优的估算值X(k

25、k)。但是为了要另卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k

26、k)的covariance：P(k

27、k)=（I-Kg(k)H）P(k

28、k-1)………(5)其中I为1的矩阵，对于单模型单测量，I

29、=1。当系统进入k+1状态时，P(k

30、k)就是式子(2)的P(k-1

31、k-1)。这样，算法就可以自回归的运算下去。扩展卡尔曼滤波角真实值：164度IMU数据编码器数据融合数据位置坐标记录里程计数据融合数据