8. 鲁道夫·卡尔曼(Rudolf Emil Kalman, 1930年5
月-),匈牙利数学家,1930年出生于匈牙利
首都布达佩斯 1953 1954年于麻省理工学院首都布达佩斯。1953-1954年于麻省理工学院
分别获得电机工程学士及硕士学位。1957年于
哥伦比亚大学获得博士学位 曾任职于斯坦福哥伦比亚大学获得博士学位。曾任职于斯坦福
大学,佛罗里达大学,瑞士苏黎世联邦理工学
院院
Kalman filter invented in 1960 by R. E. Kalman
17. Kalman滤波器的产生,是为了摆脱那些对没有
任何物理意义的观测数据本身进行的信号处理,
通过分析系统属性,建立精确的系统数学模型,
模型来辅 测 从 提高对系统 估计精用模型来辅助预测,从而提高对系统的估计精
度。Kalman正是一种连接(或者说融合)系统
模型和观测数据的纽带 有机的结合了两者的模型和观测数据的纽带。有机的结合了两者的
优势。
The Kalman filter uses a system's dynamics model (i e physical The Kalman filter uses a system s dynamics model (i.e., physical
laws of motion), known control inputs to that system, and
measurements (such as from sensors) to form an estimate of the
system's varying quantities (its state) that is better than thesystem s varying quantities (its state) that is better than the
estimate obtained by using any one measurement alone. As such,
it is a common sensor fusion algorithm.
22. 事 定义:在给定一定的“信息”之后,发生某事
件的概率。
数学表达:假设已知信息是z,事件为x
( | ), zP x z x 事件空间, 条件空间
例子1:投硬币
假设“信息”z:此次投的不是正面(1)
( | ),
息 是
例子2:掷骰子
( 1| ) 0, ( 0 | ) 100P x z P x z
例子2:掷骰子
假设“信息”z:此次掷的不是1
( 1| ) 0, ( 2,3,4,5,6 | ) 1/ 5P x z P x z
23. 期望:
方差:
( ) ( ) , ( ) i iE x xf x dx E x x P
2
([ ( )] )E X E X
协方差: (( ( ))( ( )))E X E X Y E Y
( ( ) ( ) ( ) ( ))E XY XE Y YE X E X E Y
( ) ( ( )) ( ( )) ( ( ) ( ))E XY E XE Y E YE X E E X E Y
( ) ( ) ( ) ( ) ( ) ( ) ( )E XY E X E Y E Y E X E X E Y ( ) ( ) ( ) ( ) ( ) ( ) ( )E XY E X E Y E Y E X E X E Y
( ) ( ) ( )E XY E X E Y
24. 态 系统方程(状态方程):
1 1 1k k k kx Ax Bu w
举例1:自由落体物体速度为 ,信号采集频率
为100Hz,该系统状态方程为
kx
举例2:匀速运动小车,速度为c(m/s),设位移
1 1/100k k kx x g w
举 车 度为 ( ) 位移
为 ,位移采集频率为1Hz,该系统状态方程
为
kx
1 1k k kx x c w
25. 测量方程:
k k kz Hx v
举例1:自由落体物体速度为 ,传感器为风力
测速计,该系统测量方程为
kx
举例2:匀速运动小车,传感器选用GPS传感器,
k k kz x v
举 车 传 选 传
该系统测量方程为tx
1k k kx x v
26. 随机变量 和 分别代表过程噪声和测量噪声,
它们是独立不相关且正太分布的白噪声。
kw kv
它们是独立不相关且正太分布的白噪声。
其中Q和R分别是过程噪声和测量噪声的协方差
( ) (0, ), ( ) (0, ).p w N Q p v N R
其中Q和R分别是过程噪声和测量噪声的协方差
矩阵。
完整的Kalman滤波器表达式:完整的Kalman滤波器表达式:
1 1 1k k k kx Ax Bu w ( ) (0, )p w N Q
k k kz Hx v ( ) (0, )p v N R
小提示:在实际的系统中,A,B,H,Q和R可能在系统运行过程
中会发生变化
比如:惯导数据比如:惯导数据
27. 贝叶斯原理。
( | ) ( )
( | )k kP x z
( | ) ( )
( | )
( )
k k k
k k
k
p z x p x
P x z
p z
( | ) ( )
1
1
( | ) ( | )
( | )
k k k k
k k
p z x p x z
p z z
1
1
( , | ) ( )
( , )
k k k k
k k
p z z x p x
p z z
( | ) ( | ) ( )1 1
1 1
( | , ) ( | ) ( )
( | ) ( )
k k k k k k
k k k
p z z x p z x p x
p z z p z
1 1 1
1 1
( | , ) ( | ) ( ) ( )
( | ) ( ) ( )
k k k k k k k
k k k k
p z z x p x z p z p x
p z z p z p x
1
1
( | ) ( | )
( | )
k k k k
k k
p z x p x z
p z z
(1)
1( | )k kp
28. 贝叶斯原理。 ( | )k kP x z
1
1
( | ) ( | )
( | )
k k k k
k k
p z x p x z
p z z
状态方程
X(k)=AX(k-1)
29. 贝叶斯原理。 X(k) ( | )k kP x z
1
1
( | ) ( | )
( | )
k k k k
k k
p z x p x z
p z z
状态方程
X(k)=AX(k-1)
1 1( | ) ( , )k k kP x x N Ax Q 1 1( | ) ( , )k k k Q
30. 贝叶斯原理。 X(k) ( | )k kP x z
1
1
( | ) ( | )
( | )
k k k k
k k
p z x p x z
p z z
状态方程
X(k)=AX(k-1)
测量方程
Z(k)=HX(k)
1 1( | ) ( , )k k kP x x N Ax Q 1 1( | ) ( , )k k k Q
31. 贝叶斯原理。 X(k) ( | )k kP x z
1
1
( | ) ( | )
( | )
k k k k
k k
p z x p x z
p z z
测量方程
Z(k)=HX(k)
状态方程
X(k)=AX(k-1)
X(k)
1 1( | ) ( , )k k kP x x N Ax Q ( | ) ( , )k k kP z x N Hx R(2) (3)1 1( | ) ( , )k k k Q ( | ) ( , )k k k
1 1 1( | ) ( | )k k k kP x x P x z dx 1( | )k kP x z
( )
(4)
32. 假设 是给定上一步给出 的先验状态估计。
假设 是给定了当前测量值 的后验状态估计
ˆ n
kx
1kx
ˆ n
假设 是给定了当前测量值 的后验状态估计。
我们定义先验和后验估计误差为:
ˆ n
kx kz
ˆk k ke x x
ˆe x x
(5)
(6)
那么,先验估计误差的协方差矩阵为:
k k ke x x (6)
那 计 阵
( )T
k k kP E e e
(7)
后验估计误差的协方差矩阵为:
T (8)( )T
k k kP E e e (8)
39. M b k P S 1979 S h i M d l E i i d Maybeck, Peter S. 1979. Stochastic Models, Estimation, and
Control, Volume 1, Academic Press, Inc.
Brown, R. G. and P. Y. C. Hwang. 1992. Introduction to Random
Signals and Applied Kalman Filtering, Second Edition, John Wiley
& Sons, Inc.
Grewal, Mohinder S., and Angus P. Andrews (1993). Kalman, , g ( )
Filtering Theory and Practice. Upper Saddle River, NJ USA,
Prentice Hall.
Greg Welch and Gary Bishop. An Introduction to the Kalman Greg Welch and Gary Bishop. An Introduction to the Kalman
Filter