卡尔曼滤波器(一维):几种方法?

时间:2015-10-28 06:13:21

标签: python algorithm filtering kalman-filter

我试着理解卡尔曼滤波器是如何工作的,因为多维变体在一开始就太混乱了,我开始用一维的例子。

我找到了3个不同的资料来解释温度计的情景,但所有这些情景实现了略微不同的方程式,我不明白这一点。

我实施了解决方案2 ,但我的卡尔曼滤波器并没有真正起作用(它非常适合测量,而不是真正考虑其上的噪音)。

所以,在我浪费更多时间尝试解决方案1或3之前(我刚才读过):有人可以为一维卡尔曼滤波器提供干净的解释和/或代码示例吗?

解决方案1 ​​

// x_est: current estimate;           p: current estimate error;
// a:     constant of the system;    kg: kalman gain
// z:     current observation; 

// Predict
x_est   =   a * x_est
p       =   a * p * a

// Update
kg      =   p  / (p  + r)
x_est   =   x_est + kg * (z - x_est)
p       =   (1 - kg) * p

作者(这里)只解释我们只更改当前值,因为不需要温度计来考虑最后一个值。

所以他简化了:

p[k] = (1 - kg) * p[k-1] p = (1 - kg) * p

x_est[k] = x_est[k-1] + kg * (z - x_est[k-1]) x_est = x_est + kg * (z - x_est)

......等等......

我不明白为什么这是可能的。我认为卡尔曼滤波器的一个主要部分是考虑当前观察 z 是否有用(通过卡尔曼增益)。因此,对于高卡尔曼增益kg * (z - x_est[k-1]),将增量z - x_est[k-1]的“大块”添加到新估计中。如果一个人总是计算当前值,那么这一切都没有变得毫无意义吗?

解决方案2

# q: process variance / process noise
# r: error in measurement

x_est = x_est
p     = p + q;

k     = p / (p + r);
x_est = x_est + k * (z – x_est);
p     = (1 – k) * p;

这几乎是一样的,但作者甚至没有解释为什么 x [k-1] p [k-1] 可以改变到 x p

解决方案3

# Q: process variance / process noise
# R: error in measurement

# prediction
x_est_kminus1[k] = x_est[k - 1]
p_kminus1[k]        = p[k - 1] + Q

# update
kg[k]     = p_kminus1[k] / (p_kminus1[k] + R)
x_est[k] = x_est_kminus1[k] + kg[k] * (z[k] - x_est_kminus1[k])
p[k]     = (1 - kg[k]) * p_kminus1[k]

在此解决方案中,作者为x_estx_est本身和x_est_kminus1)和pp本身和{{1}提供了两个不同的列表})。

是否需要两个列表,否则p [k]将被计算两次(在预测和更新步骤中)?

1 个答案:

答案 0 :(得分:12)

所有这些解决方案都是一般方程的特例,我们必须看看每个方程的特殊之处。

正确的方程式

让我们从1D案例的正确通用方程开始:

# prediction
x[k] = a * x[k - 1]
p[k] = a * p[k - 1] * a + q
# update
y = z - h * x[k]
kg = p * h / (h * p * h + r)
x[k] = x[k] + kg * y
p[k] = (1 - kg * h) * p[k]
  • x - 州
  • p - 错误(协方差)
  • a - 州过渡
  • q - 转换错误
  • z - 测量
  • h - 状态到测量的转换
  • y - 基于预测我们预期衡量的数据与我们实际测量的数据之间的差异
  • kg - kalman gain
  • r - 测量错误

模型的所有参数(aqrh)原则上也可以有一个索引k并更改为系统发展。但在简单的情况下,它们都可以被视为不变。

解决方案与正确方程式的区别

只有解决方案1实现了a,这很好。 a告诉您状态如何从一个步骤变为另一个步骤,如果您假设温度静止然后a == 1,就像在解决方案2和3中一样。

解决方案1没有qq是我们可以估算过程错误的地方。同样,如果流程是关于系统静止(a == 1),那么我们可以设置q = 0

您的解决方案都没有h,这是观察转换(如何从测量到状态)。如果您正在估算温度,则根据温度测量结果h = 1

h可能与1不同的一个示例是,如果您测量的是其他您想要评估的内容,例如使用湿度测量来估算温度。然后h将是线性转换T(humidity) = h * humidity。我强调线性,因为上面是线性卡尔曼滤波器方程,它们只适用于线性(在数学意义上)系统。

当前和上一步骤问题

kk - 1以及x_estx_est_kminus1的问题纯粹是一个实施问题。在这方面,你所有的解决方案都是一样的。

您对解决方案1中kk - 1的看法已经过时。只有预测阶段需要考虑当前和前一步骤(因为它是基于前一步骤的当前状态的预测),而不是更新步骤。更新步骤作用于预测。

从可读性的观点来看,解3最接近数学方程。原则上,预测步骤不会给我们x_est[k]但更像是predicted_x_est[k]。然后,更新步骤会在此predicted_x_est[k]上运行,并向我们提供实际的x_est[k]

然而正如我所说,所有实现都是等效的,因为当它们被编程时,您可以看到在预测步骤之后,不再需要过去。因此,您可以安全地将一个变量用于px,而无需保留列表。

关于卡尔曼收益

您写道:

  

因此,对于高卡尔曼增益kg *(z - x_est [k-1])的“大块”   delta z - x_est [k-1]被添加到新估计中。不是这个   如果总是计算当前值,那么事情变得毫无意义了吗?

在这些情况下,卡尔曼增益只能在0到1之间。什么时候最大?当r(测量误差)为0时,这意味着我们无限地信任我们的测量值。然后该等式简化为

x_est = x_est + z - x_est

这意味着我们放弃了我们的预测值(右侧的x_est)并将我们的更新估算值设置为与我们的测量值相等。当我们无限地信任我们衡量的东西时,这是一件有效的事情。

适应测量

  

我实施了解决方案2,但我的卡尔曼滤波器并没有真正起作用(它   高度适应测量,而不是真正考虑到   噪音就好了。)

调整卡尔曼滤波器非常棘手,需要深入了解系统以及qr的正确估计。请记住,q是过程中的错误(状态演变),r是我们测量的错误。如果您的卡尔曼滤波器过于适应测量,则意味着:

  • q太大了
  • r太小

或两者的组合。您必须使用值来查找有效的值。