开启辅助访问
 找回密码
 立即注册

图解卡尔曼滤波器,无需深厚的数学知识也易懂(第五部分:多维卡尔曼滤波器)

hungsiu13 回答数11 浏览数9680
译者前言:因第1-4部分(基础)已经学习完毕,接下来需要学习多维卡尔曼滤波器与扩展的卡尔曼滤波器(EKF),但是1-4部分的作者对接下来要学习的内容还没有更新,因此我们将从华盛顿大学教授的教材开始学习接下来的部分。
原教材网址:https://simondlevy.academic.wlu.edu/kalman-tutorial/
特地注明:前面的1-4部分依然是推荐必看的基础。
我们先从这位教授介绍的“How a Kalman filter works, in pictures“材料开始,虽然我看到资深上已经有相关材料,但为了正确无误起见(资深上高赞的那个翻译,本人不敢苟同),或是自个重新看一遍原版,并翻译在此。权当温习一遍前面学过的基础部分,同时也进入多维卡尔曼滤波器学习。
本篇会继续更新:考虑到有些同学看到矩阵容易懵圈,我会将矩阵写法与前面学习到的5个卡尔曼方程的写法进行比较。继续更新在本篇中。
<hr/>How a Kalman filter works, in pictures


  • 什么是卡尔曼滤波器
你可以在任何具有不确定信息的动力系统中使用卡尔曼滤波器,同时,你可以对系统的下一台状态做一台有根据的预测。即使在实际情况中出现很多干扰真实情况的混乱信息,卡尔曼滤波器通过也可以很好的搞清楚到底发生了什么。它可以利用你也许不会想到的事物之间的相互关系。
【译者补充:卡尔曼滤波器的主要作用就是对具有不确定性信息的系统状态做预测与估计,以逼近最佳状态。使用已有变量————>未知/隐藏变量,在此建立函数关系。】
卡尔曼滤波器非常适合那种会持续发生变化的系统。卡尔曼滤波器的优势是:节省内存(不需要保存历史状态),运行速度很快使得它非常适合解决实时问题并适合嵌入式系统。
实现卡尔曼滤波器所需的数学知识你可以从Google上看到,显得非常的晦涩难懂。这是一种非常糟糕的情况,实际上如果你用一种正确的方式去看待卡尔曼滤波器,它实际上非常简单并且很容易让人理解。我将使用一些非常简明清晰的图片向大家解释卡尔曼滤波器。学习卡尔曼滤波器需要的预备知识也很简单,你只需要对概率轮和矩阵有一些基础的理解就可以了。
我将从一台简单的例子开始向大家介绍卡尔曼滤波器,但是如果你想直接了解其它部分,你也可以直接翻到后面看。

  • 使用卡尔曼滤波器可以做什么?
我们先构建一台简单的示例:假如,你做了一台可以在树林中行走的小机器人,这个机器人需要准确的知道它自个所处的位置,因为它需要导航。


我们可以说我们的机器人有一台状态state ,这个状态关于位置和速度:


注意,状态是关于你的系统底层配置的一系列数值,它可以是任何东西。在我们的示例中是位置和速度,但是它也可以是水槽中液体量的数据,汽车引擎温度数据,用户手指在触摸板上的位置,或任何需要跟踪的东西。
我们的机器人也有一台GPS传感器,它精确到10米左右,但它需要知道精确度超过10米的位置。这些树林里有很多沟壑和悬崖,如果机器人错了几米,它可能会从悬崖上掉下来。所以GPS本身就不够好(系统精度不够)。


我们也可能知道机器人是如何移动的:它知道发送给车轮马达的命令,它知道如果它朝着一台方向前进,没有任何干扰,那么在下一瞬间,它很可能会朝着同一台方向前进。但是,当然,它并不完全了解它的运动:它可能受到风的冲击,车轮可能会稍微打滑,或者在崎岖不平的地形上滚动;因此,车轮转动的量可能并不确切地代表机器人实际行驶的距离,预测也不会很完美。
GPS传感器告诉我们一些关于状态的信息,但只是间接地,并且有一些不确定性或不准确性。 我们的预测告诉我们机器人如何移动的东西,但也只是间接地,并且也有一些不确定性或不准确性。
但是,如果我们使用我们可获得的所有信息,我们能否获得比估算给出的更好的答案? 当然答案是肯定的,这就是卡尔曼滤波器的用途。

  • 卡尔曼滤波器是如何看待你的问题的
让我们看看我们试图解释的问题。我们将继续一台简单的状态,只有位置和速度。


我们不知道它们的距离实际值是多少,但掌握着一些速度和位置的可能组合,其中某些组合的可能性更高:


卡尔曼滤波假设两个随机变量和高斯分布(正态分布)。每个变量有一台平均值 表示随机分布的中心,每个变量有一台方差  表示不确定度。


在上图中,位置和速度是不相关的,这意味着我们不能从一台变量推测另一台变量。
下图展示了更有趣的信息:位置与速度相关。观察特定位置的可能性取决于它的速度:


例如,如果我们根据一台旧的位置来估计一台新的位置,就会出现这种情况。如果我们的速度很高,我们可能会移动得更远,所以我们的位置会更远。如果我们走得慢,我们就走不那么远。
这种关系确实很重要,因为它给了我们更多的信息:一台测量告诉我们其他关系可能是指什么。这就是卡尔曼滤波器的目标,我们希望尽可能多地从我们不确定的测量中获取信息!
【译者补充:从已经变量 推测    因此/未知变量     需要     找到其中的关系并建立函数关系式,这种建立的函数关系式子称为系统动力方程】
这是相关性由协方差矩阵covariance matrix表示。简单的说,简而言之,矩阵的每个值是第个变量和第个变量之间的相关程度(由于矩阵是对称的,和的位置可以随便交换)。我们用表示协方差矩阵,在这个例子中,就是。



  • 使用矩阵描述问题
为了把以上关于状态的信息建模为高斯分布(图中色块),我们还需要时的两个信息:最佳估计(均值,也就是),协方差矩阵。(虽然或是用了位置和速度两个变量,但只要和问题相关,卡尔曼滤波可以包含任意数量的变量)



【1】

【译者补充:这里的就是系统动力方程,表示状态估计不确定度】
(当然,在此我们仅使用了位置与速度,但是,你需要知道的是,这里的状态可以表示任意数量的变量,也可以表示任何你想要表示的变量——即,变量数量与变量所表示的意思任需求而定)
接下来,我们需要一些方法去看当前状态current state(在时间k-1时)并预测在k时的相较于当前状态的下一状态predict thenext state at time k。记住,我们不知道哪个状态是“真实”状态,但是我们的预测函数也并不关心哪个是真实状态。它只适用于所有这些,并为我们提供了一台新的分布:
【编者按:这里需要明白,实际上上面这段话描述的就是,我们在第三部分看到的五个卡尔曼方程之一,状态更新方程。状态更新方式就是化简期望值公式(平均值)得到的,这部分大家要是忘记了可以回到第三部分再去看看。另外,请注意,这篇文章中对有些东西的表述虽与咱们之前的部分不一致,但是大家在思考的时候或是以前一部分的模式去思考,更加有助于理解



第3部分的状态更新方程

编者补充结束】


我们可以使用一台矩阵表示预测步骤, .


它获取原始估计中的每个点,并将其移动到一台新的预测位置,如果原始估计是正确的,那么系统将在该位置移动。
让我们应用这个。我们将如何使用矩阵来预测未来的位置和速度?我们将使用一台真正基本的运动学公式:


换句话说:



【2】【3】



译者推导

我们目前有了一台可以告诉我们下一状态的预测矩阵prediction matrix,但是我们依然不知道如何更新协方差矩阵covariance matrix.
【译者补充:这里是将系统动力方程组写成矩阵方程形式,将系统动力方程组的状态系数信息提取出来组成预测矩阵】
我们目前需要另一台公式。如果我们给分布中的每一台点乘以矩阵A,协方差矩阵 会发生什么情况呢?
很简单,将会给我们一台单位矩阵:



【4】

将(4)与式(3)组合,可得:


【译者补充: ,状态估计不确定度需要与系统动力方程组融合在一起,组成估计不确定度外推方程/协方差外推方程,根据我们前面几部分的学习可知,协方差外推方程: ,将 代入系统动力方程组可以得到,这里只表示部分不确定度,还不完整】

  • 外部影响:
截止目前,我们并没有将所有因素考虑进去。还有一些变化/影响与系统本身无关,外部环境可以影响我们的系统。
例如,如果建模火车运动的状态,火车司机可能会踩油门,使火车加速。同样,在我们的机器人示例中,导航软件可能发出一台命令来转动车轮或停止运行。如果我们知道环境中将会发生什么的信息,我们可以把环境信息添加到向量  中,并把它作为一台修正变量添加到我们的预测中。
假设我们知道由于油门设置或控制命令而产生的预期加速度a。
从基本运动学我们得到:


矩阵形式为:



【6】


被成为控制矩阵control matrix,  被称为控制向量control vector。(对于没有外部影响的系统,你可以忽略这一步)
【译者补充:对比前面几部分我们可以知道这里的 是外部噪声。到此为止,我们给我们的系统动力函数已经添加了因外部环境引起的过程外部噪声,在前面几部分学习中,我们将其称为过程噪声Process Noise】
让我们添加更多的细节。如果我们的预测不是一台100%准确的实际情况模型,会发生什么?

  • 外部不确定度
如果状态是基于其自身属性发展的,那么一切都是好的。如果状态是以外力为基础发展的,只要我们知道这些外力是指什么,问题也是可以解决的。
但我们不知道的力是如何产生的,会如何样呢?例如,如果我们跟踪一架四轮飞机,它可能会被风吹得四处乱飞。如果我们跟踪一台有轮子的机器人,轮子可能会打滑,或者地面上的颠簸可能会使它减速。我们无法跟踪这些情况,如果发生任何一种情况,我们的预测可能会失效,因为我们没有考虑到这些额外的力量。
我们可以通过在每个预测步骤后添加一些新的不确定性,对与“世界/外部环境”相关的不确定性(即我们没有跟踪的事物)进行建模:


在我们初始估计中的每个状态可能会转移到一系列其它状态。因为我们非常青睐高斯分布,因此我们可以说, 状态中的每一台点转移到有协方差  的高斯分布中。另一种说法是,我们将未跟踪的影响视为具有协方差的噪声。


这产生了含有不同协方差的新的高斯分布(平均数相同):


通过简单的添加  ,我们得到期望的协方差。预测步骤的完成表示如下:



【7】

换句话说,新的估计new best estimate 是根据 先前的估计previous best estimate进行的预测prediction,加上对已知外部影响known external influences的修正correction。
新的不确定度new uncertAInty  是由 旧的不确定度old uncertainty预测predicted出来的,还有一些来自环境的附加不确定度additional uncertainty from the environment。
【译者补充:此处的  就相当于我们之前提到的过程噪声方程Process Noise Variance:q,而我们的估计不确定度外推方程+过程噪声方程 : + 。到此为止,我们已经给我们系统动力函数添加了过程噪声变量,也给我们的估计不确定度外推方程/协方差外推方程加上了过程噪声方差】
目前一切都简单多了。我们对系统的位置有一台模糊的估计,由 和 给出。当我们从传感器获取一些数据时会发生什么?

  • 用测量值精确估计
我们可能有几个传感器,它们可以向我们提供有关系统状态的信息。暂时来说,他们测量什么并不重要;也许一台读取位置,另一台读取速度。每个传感器都间接地告诉我们状态的一些信息——换句话说,传感器在一台状态下工作并产生一组读数。


请注意,读数的单位和刻度可能与我们跟踪的状态的单位和刻度不同。你也许能猜到这是如何回事:我们将用矩阵模型,  。


我们可以用通常的方法计算出传感器读数的分布:


卡尔曼滤波器最擅长的一件事就是处理传感器噪声。换句话说,我们的传感器至少有点不可靠,我们最初估计的每个状态都可能导致一系列传感器读数。
【译者补充:这里表示的是测量误差,表示一系列的测量值,状态更新方程与估计不确定度方程,用于更新状态与不确定度】


从我们观察到的每一台读数中,我们可能猜测我们的系统处于一台特定的状态。但由于存在不确定性,一些状态比其他状态更有可能产生我们看到的读数:


我们将这种不确定性的协方差称为  (即传感器噪声的协方差)。分布的平均值等于我们观察到的读数,我们称之为  。
【译者补充:就是测量不确定度,回顾一下之前学习的部分,测量误差:测量值与真实值之间的差值是测量误差,测量误差又进一步构成测量不确定度  ,表示字母:r,我们的状态更新方程由分布的期望值(平均数)公式推导而来,因此,这里的表示测量的最新数据】
所以目前我们有两个高斯分布:一台围绕着我们变换的预测的平均值(估计值),另一台围绕着我们得到的实际传感器读数(测量值)。


我们必须试着根据预测状态(粉红色)来调整我们对读数的估计,根据我们实际观察到的传感器读数(绿色)来调整不同的猜测。
那么,我们最有可能的新状态是指什么?对于任何可能的读数(  ,  ),我们都有两个相关的概率(不确定度):(1)我们的传感器读数 是(  ,  )的(错误)测量的概率;(2)我们之前的估计认为( , )是我们应该看到的读数的概率。
【译者补充:这里说的就是测量不确定度与估计不确定度】
如果我们有两个概率,我们想知道两个概率都是真的,我们就把它们相乘。因此,我们将两个高斯分布相乘:


我们只剩下重叠部分,即两个斑点都很亮/很可能的区域。它比我们之前的估计要精确得多。这个分布的平均值是两个估计值最有可能出现的配置,因此对于给定所有信息的真实配置,这是最好的猜测。
这看起来像另一台高斯分布:


事实证明,当你用独立的均值和协方差矩阵乘以两个高斯分布时,你会得到一台新的高斯分布,它有自个的均值和协方差矩阵!也许你能看到这是如何回事:必须有一台公式来从旧的参数中得到新的参数!

  • 组合高斯分布
让我们找到那个公式。从一维的角度来看,这是最简单的。具有方差  和平均μ的一维高斯钟形曲线定义为:



【9】

我们想知道当你把两条高斯曲线相乘时会发生什么。下面的蓝色曲线表示两个高斯总体的(非标准化)交点:





【10】

可以将方程(9)代入方程(10)中,并进行一些代数运算(注意归一化,使总概率为1),以获得:



【11】

我们可以通过分解一小部分并称之为k来简化:


记下如何获取以前的估计,并添加一些内容来进行新的估计。看看这个公式有多简单!
但是矩阵版本呢?好,让我们把方程(12)和(13)改写成矩阵形式。如果  是高斯分布的协方差矩阵,且μ其沿每个轴的平均值,则:



【14】【15】

K是一台称为卡尔曼增益的矩阵,我们马上就用它。
很容易吧,我们马上要结束了!
【译者补充: 表示的方程就是状态更新方程, 表示的方程就是估计不确定度更新方程/协方差更新方程,K表示的是卡尔曼增益方程,这三个方程加上我们前面推导的两个方程。分别是系统动力方程,估计不确定度外推方程/协方差外推方程,总共就是卡尔曼滤波器五个方程】

  • 将所有推导放在一起
我们有两个分布:预测测量 ,观测测量 我们可以把它们插入方程(15)中,找到它们的重叠部分:



【16】

从(14)可知,卡尔曼增益为:



【17】

我们可以在(16)和(17)中的每个项的前面去掉(注意,其中一台隐藏在K中),在  方程中的所有项的末尾去掉 。



【18】【19】

我们得到了更新方程的完整方程。
就这样! 是我们最新的最佳估计值,我们可以继续将它(连同)更新到另一轮预测中,或者根据我们的喜好进行多次更新。


总结
在上面所有的数学中,你需要实现的只有方程式(7)、(18)和(19)。(或者如果你忘记了这些,你可以从方程(4)和(15)中重新推导出所有的东西。)
这将允许您精确地建模任何线性系统。对于非线性系统,我们使用扩展卡尔曼滤波器extended Kalman filter,其工作原理是简单地线性化预测和测量的平均值。(以后我可以再写一次扩展的卡尔曼滤波器)。
如果我把工作做好了,希望外面的人会意识到这些事情有多酷,并想出一台意想不到的新地方把它们付诸行动。
<hr/>接下来将更新扩展卡尔曼滤波器(EKF)
forgetyou
u= Hk * Xk的意思是将预测的状态变量转换位传感器数据上?如果是为什么要这样转换啊
用PixPix生成超酷炫电视壁纸
回复 赞 踩
使用道具 举报
心心星星
H 矩阵可以理解为是将传感器获取的原始数据,转换到与估算值同一比例尺下的矩阵吗?
回复 赞 踩
使用道具 举报
fuxdpvfifu
请问文章里的求和符号表示什么呀
回复 赞 踩
使用道具 举报
cg_fm365
应该是方差,因为是矩阵所以用大写。
回复 赞 踩
使用道具 举报
rvrQEZBX
谢谢
回复 赞 踩
使用道具 举报
dj_17yao
1-4部分的作者更新了多维部分,我觉得它写的比这个材料要好
回复 赞 踩
使用道具 举报
gzdigital
这篇老外的文章写得比帖子作者差远了。
回复 赞 踩
使用道具 举报
亚纹
赞一个,看了好几个帖子,这个终于看懂了
回复 赞 踩
使用道具 举报
weiopop
一到多维卡尔曼滤波就讲的不细致了。越到重点,越不详细
回复 赞 踩
使用道具 举报
12下一页
快速回复
您需要登录后才可以回帖 登录 | 立即注册

当贝投影