关于卡尔曼及卡尔曼增益的理解【精】

新机器视觉

共 2032字,需浏览 5分钟

 ·

2023-09-21 22:04

点击下方卡片,关注“新机器视觉”公众号

视觉/图像重磅干货,第一时间送达

提到卡尔曼,不得不说一个故事:


片绿油油的草地上有一条曲折的小径,通向一棵大树。一个要求被提出:从起点沿着小径走到树下。


“很简单。” A说,于是他丝毫不差地沿着小径走到了树下。


现在,难度被增加了:蒙上眼。


“也不难,我当过特种兵。” B说,于是他歪歪扭扭地走到了树旁。“唉,好久不练,生疏了。” (只凭自己的预测能力)


“看我的,我有 DIY 的 GPS!” C说,于是他像个醉汉似地歪歪扭扭的走到了树旁。“唉,这个 GPS 没做好,漂移太大。”(只依靠外界有很大噪声的测量)


“我来试试。” 旁边一也当过特种兵的拿过 GPS, 蒙上眼,居然沿着小径很顺滑的走到了树下。(自己能预测+测量结果的反馈)


“这么厉害!你是什么人?”


“卡尔曼 ! ”


“卡尔曼?!你就是卡尔曼?”


众人大吃一惊。


“我是说这个 GPS 卡而慢。


总结就是预测+测量更新。


卡尔曼滤波的测量更新部分是由最小二乘推导而来。



今天主要说明卡尔曼增益的Kt如何去理解?


卡尔曼主要来处理如下两个来源的数据:


(1)根据模型来预测出的数据。(预测)

(2)传感器观测到的数据。(观测)


核心:


K越小越相信你的预测(1)中的估计,

K越大越相信你的观测(2)中的观测。

K的值和传感器的精度有关。依赖于按个传感器更缺。


我们从另一个角度理解卡尔曼滤波算法,假设你的传感器和预测模型的噪声均满足正高斯正态分布,看下面图片:



显然你可以看到两个正态分布相乘,带P下坠的代表预测满足的噪声正态分布,带m下标的表示是传感器测量噪声所满足的正态分布。这两个预测和测量是独立事件。



整理后得到上述的式子。我们会得到如下分析:


(1)δp越大时,k越大,这样对于预测来说它的噪音的不确定性变大,所以我们相信更传感器的测量值


(2) δp越小的时候,k越小,这样对于预测来说它的噪音不确定性变小,所以我们更相信预测的值。



现在,我们把一维推广到高维,用矩阵表示:


比如高维情况下卡尔曼增益K=P*Ht*(R+HPHt)(图中绿框地方),这个式子与正好对应。



P是预测的方差,H是观测矩阵,R是传感器测量满组方差。其余也是一一对应的。


版权声明:本文为CSDN博主「Jack Ju」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

原文链接:

https://blog.csdn.net/qq_40464599/article/details/108106552

编辑:古月居


声明:部分内容来源于网络,仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥,请联系删除。

—THE END—

浏览 384
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报