## 一维卡尔曼 从本章开始,我开始逐步从一维到多维介绍卡尔曼,由于原来是在Word上记录的,目前转到Markdown下面,好多公式没法同步,只能截图了。
没有过程噪声的卡尔曼滤波
在α滤波其中,我们已经熟悉了两个方程: 1》状态更新方程 2》状态预测方程 在这一章中,我们将引入剩下的 3 个卡尔曼滤波方程。 在这之前,我们回顾一下我们之前位置估计的例子,通过雷达测量值和真实值之间是有 误差的,当时我们是用高斯噪声来模拟这个误差的,这个误差我们叫测量误差(measurement error),当然这个误差是随机的,在统计学中,我们可以通过方差(σ2)来描述这个随机误 差。这个误差一般是传感器厂家给出的,是一台已知特定的值。有些时候,我们也把测量误 差叫做测量不确定度(measurement uncertAInty)。 我们使用 r 表示测量不确定度。 估计值和真实值之间也有一台误差,我们叫做估计误差(estimate error),在 10 次的估 计的过程中,随着估计值不断的收敛到真实值,估计误差在不断的缩小直到 0,我们不知道 估计误差到底是多少,但是我们可以估算估计中的不确定性。 我们使用 p 表示估计不确定度(estimate uncertainty),这个值到底取多少呢?其实不重 要,你可以随便取一台值,卡尔曼滤波会不断的收敛这个值,这就是卡尔曼滤波的神奇之处。
卡尔曼增益方程
协方差更新方程
协方差预测方程
滤波算法
思考
加入过程噪声
请关注下一章节的多维卡尔曼滤波器吧!
|