卡尔曼滤波增益综述报告.docVIP

卡尔曼滤波增益综述报告 姓名:周峰 学号1411082695 摘要：Kalman Filter是一个高效的递归滤波器，它可以实现从一系列的噪声测量中，估计动态系统的状态。广泛应用于包含Radar、计算机视觉在内的等工程应用领域，在控制理论和控制系统工程中也是一个非常重要的课题。本文介绍了卡尔曼滤波增益的由来，以及它在卡尔曼滤波理论中的作用，着重介绍了卡尔曼滤波增益的理论意义和它的物理意义。由卡尔曼滤波增益可以更深入的理解卡尔曼滤波，把它更好地应用于实际中。 Abstract:Kalman Filter is an efficient recursive filter,it can achieve the task that estimates the dynamic state of the system from a series of noise measurements.It widely be used in Radar, computer vision, include other engineering applications, is also a very important issue in control theory and control systems engineering.This paper introduces the origin of the Kalman filter gain,and it plays the important role in the Kalman filter theory,especially focuses on its the theoretical meaning and physical meaning about Kalman filter gain . We will get a deeper understanding of the Kalman filter,better applied in practice by learning of the Kalman filter gain. 关键词：卡尔曼滤波 增益 误差 卡尔曼滤波器简介 1.1卡尔曼滤波的由来 1960年卡尔曼发表了用递归方法解决离散数据线性滤波问题的论文-《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。它的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。卡尔曼滤波器用于估计离散时间过程的状态变量 。 这个离散时间过程由以下离散随机差分方程描述： 定义观测变量 公式1.2 随机信号和分别表示过程激励噪声和观测噪声。假设它们为相互独立，正态分布的白色噪声： p(w) ～ N(0, Q), 公式1.3 p(v) ～ N(0, R). 公式1.4 实际系统中， 过程激励噪声协方差矩阵 Q 和观测噪声协方差矩阵 R 可 能会随每次迭代计算而变化。但在这儿我们假设它们是常数。 当控制函数 或过程激励噪声为零时，差分方程1.1中的 n × n阶增益矩阵 A 将上一时刻 k ? 1 的状态线性映射到当前时刻 k 的状态。实际中 A 可能随时间变化，但在这儿假设为常数。 n × 阶矩阵 B 代表可选的控制输入 的增益。量测方程1.2中的 m × n 阶矩阵 H 表示状态变量 对测量变量的增益。实际中 H 可能随时间变化，但在这儿假设为常数。 定义 （ ? 代表先验， ?代表估计）为在已知第 k 步以前状态情况下第 k 步的先验状态估计。定义 为已知测量变量 时第 k 步的后验状态估计。由此定义先验估计误差和后验估计误差： 先验估计误差的协方差为： 式1.7构造了卡尔曼滤波器的表达式： 先验估计 和加权的测量变量 及其预测 H之差的线性组合构成了后验状态估计 。 式1.7中测量变量及其预测之差 被称为测量过程的革新或残余。残余反映了预测值和实际值之间的不一致程度。残余为零表明二者完全吻合。式1.7中 n × m 阶矩阵 K 叫做残余的增益或混合因数，作用是使1.6式中的后验估计误差协方差最小。可以通过以下步骤计算 K ：首先将1.7式代入的定义式，再将代入1.6式中，求得期望后，将1.6式中的 对