基于特征的三维位置卡尔曼滤波器实现

时间:2018-05-23 15:13:36

标签: c++ eigen kalman-filter

我使用C ++中的Eigen Library编写了一个kalman Filter实现,并使用此link的实现来测试我的过滤器:我的预测步骤如下:

void KalmanFilter::Predict()
{
    // state Estimate = state transition matrix * previous state
    // No control input present.
    x = A * x;


   // State Covariance Matrix = (State Transition Matrix * Previous State 
   Covariance matrix * (State Transition Matrix)^T ) + Process Noise

   P = A * P * A.transpose() + Q;
}

我的更新步骤是:

void KalmanFilter::Update(VectorXd z)
{
    //Kalman Gain = (State Covariance Matrix * Measurement matrix.transpose) * (H*P*H^T + Measurement Noise)^-1
    K = (P * H.transpose()) * (H * P * H.transpose()+ R).inverse();

    //Estimated Stated = Estimated state + Kalman Gain (Measurement Innovation)
    x = x + K*(z - H * x);

   //State Covariance matrix = (Identity Matrix of the size of  x.size * x.size) - K* H * P;
    long x_size = x.size();
    MatrixXd I = MatrixXd::Identity(x_size, x_size);
    P = (I - K * H) * P ;

}

我的初始值是:

pos_x = 0.0;
pos_y = 0.0;
pos_z = 1.0;
vel_x = 10.0;
vel_y = 0.0;
vel_z = 0.0;
acc_x = 0.0;
acc_y = 0.0;
acc_z = -9.81;

我通过在循环中执行以下操作来生成“假数据”:

double c = 0.1; // Drag resistance coefficient
double damping = 0.9 ; // Damping

double sigma_position = 0.1 ; // position_noise

// Create simulated position data
for (int i = 0; i < N; i ++)
{
    acc_x = -c * pow(vel_x, 2);  // calculate acceleration ( Drag Resistance)

    vel_x += acc_x * dt;  // Integrate acceleration to give you velocity in the x axis.

    pos_x += vel_x * dt; // Integrate velocity to return the position in the x axis

    acc_z = -9.806 + c * pow(vel_z, 2); // Gravitation + Drag

    vel_z += acc_z * dt;   // z axis velocity

    pos_z += vel_z * dt;  // position in z axis

    // generate y position here later.

    if(pos_z < 0.01)
    {
        vel_z = -vel_z * damping;
        pos_z += vel_z * dt;
    }

    if (vel_x < 0.1)
    {
        acc_x = 0.0;
        acc_z = 0.0;
    }

    // add some noise
    pos_x = pos_x + sigma_position * process_noise(generator); 
    pos_y = pos_y + sigma_position * process_noise(generator);
    pos_z = pos_z + sigma_position * process_noise(generator);
然后我按照以下方式运行我的预测和更新步骤:

// Prediction Step
kalmanFilter.Predict();

// Correction Step
kalmanFilter.Update(z);

其中z是包含pos_x, pos_y and pos_z

的3 x 1向量

我的状态转换矩阵A如下所示:

A <<    1, 0, 0, dt, 0, 0, dt_squared, 0 , 0,
        0, 1, 0, 0,  dt, 0, 0, dt_squared, 0,
        0, 0, 1, 0, 0, dt, 0, 0, dt_squared,
        0, 0, 0, 1, 0, 0, dt, 0, 0,
        0, 0, 0, 0, 1, 0, 0 , dt, 0,
        0, 0, 0, 0, 0, 1, 0, 0, dt,
        0, 0, 0, 0, 0, 0, 1, 0, 0,
        0, 0, 0, 0, 0, 0, 0, 1, 0,
        0, 0, 0, 0, 0, 0, 0, 0, 1;

其中dt_squared(dt * dt) /2;

P is  

P<< 100, 0, 0, 0, 0, 0, 0, 0, 0,
            0, 100, 0, 0, 0, 0, 0, 0, 0,
            0, 0, 100, 0, 0, 0, 0, 0, 0,
            0, 0, 0, 100, 0, 0, 0, 0, 0,
            0, 0, 0, 0, 100, 0, 0, 0, 0,
            0, 0, 0, 0, 0, 100, 0, 0, 0,
            0, 0, 0, 0, 0, 0, 100, 0, 0,
            0, 0, 0, 0, 0, 0, 0, 100, 0,
            0, 0, 0, 0, 0, 0, 0, 0, 100;

   R << 1, 0, 0,
         0, 1, 0,
         0, 0, 1;

Q = G * G.transpose()* a * a;  

其中G是一个9 x 1矩阵

G << dt_squared, dt_squared, dt_squared, dt, dt, dt, 1, 1, 1;

a =  0.1 //( acceleration process noise)

我的问题是我对y和z的估计位置偏离并偏离“真实”位置。如果您查看以下图表,

这就是pos_x的样子:X

这就是pos_y的样子:Y

最后Z:Z

这是我第一次尝试使用卡尔曼滤镜,我不确定我在这里做错了什么。我的最终目标是使用它来估计无人机的位置。另外,我有以下问题:

例如,对于无人机的现实生活情况,如果您无法直接观察过程,您如何选择过程噪音?你只是选择任意值吗?

我为长篇大论道歉。任何帮助表示赞赏。

2 个答案:

答案 0 :(得分:2)

我不确定它是代码相关问题,算法实现问题还是预期问题。

你确实意识到,如果假数据中存在过多的机动,像这样的过滤器将不会重现真实数据,甚至不会重现真实数据。

此外,您的图表不存在。

我知道我的回答并没有遵循社区标准,但我无法发表评论或者我不这样做。

在您提供图表并根据更新速率检查路径曲率之前,我不会尝试详细说明。过滤器也需要进行调整&#34;到特定的系统。您可能需要使用噪声参数来更好地调整它。对于机动轨道,可能需要使用更高阶滤波器,Singer或Jerk滤波器......滤波器需要对系统建模得足够好。根据您的更新矩阵,您似乎有一个抛物线(二阶)估计。您可能还想在其他非s / w或代码特定的论坛中询问此问题。

答案 1 :(得分:0)

每个系统都有差异。假设过滤器的偏差为+ -1%,实际值的偏差为+ -5%;如果您预测一个值,则必须选择更新以使用预测值或测量值。根据您更相信哪一个。 否则,过滤器的确会始终根据其自身的值进行开发...