什么是卡爾曼濾波器(原版)

1、1 什么是卡爾曼濾波器 在學(xué)習(xí)卡爾曼濾波器之前，首先看看為什么叫“卡爾曼”?？柭且粋€(gè)人的名字。 卡爾曼全名RudolfEmilKalman，1957年于哥倫比亞大學(xué)獲得博士學(xué)位。我們現(xiàn)在要學(xué)習(xí)的卡爾曼濾波器，正是源于他的博士論文和1960年發(fā)表的論文ANewApproachtoLinearFilteringandPredictionProblems（線性濾波與預(yù)測問題的新方法）。 簡單來說，卡爾曼濾波器是一個(gè)“optimalrecursivedataprocessingalgorithm（最優(yōu)化自回歸數(shù)據(jù)處理算法）”。對于解決很大部分的問題，他是最優(yōu)，效率最高甚至是最有用的。他的廣泛應(yīng)用已

2、經(jīng)超過30年，包括機(jī)器人導(dǎo)航，控制，傳感器數(shù)據(jù)融合甚至在軍事方面的雷達(dá)系統(tǒng)以及導(dǎo)彈追蹤等等。近年來更被應(yīng)用于計(jì)算機(jī)圖像處理，例如頭臉識別，圖像分割，圖像邊緣檢測等等。 2卡爾曼濾波器的介紹 為了可以更加容易的理解卡爾曼濾波器，這里會應(yīng)用形象的描述方法來講解，而不是像大多數(shù)參考書那樣羅列一大堆的數(shù)學(xué)公式和數(shù)學(xué)符號。但是，他的5條公式是其核心內(nèi)容。結(jié)合現(xiàn)代的計(jì)算機(jī)，其實(shí)卡爾曼的程序相當(dāng)?shù)暮唵?，只要你理解了他的?條公式。 在介紹他的5條公式之前，先讓我們來根據(jù)下面的例子一步一步的探索。 假設(shè)我們要研究的對象是一個(gè)房間的溫度。根據(jù)你的經(jīng)驗(yàn)判斷，這個(gè)房間的溫度是恒定的，也就是下一分鐘的溫度等于現(xiàn)在這一

3、分鐘的溫度（假設(shè)我們用一分鐘來做時(shí)間單位）。假設(shè)你對你的經(jīng)驗(yàn)不是100%的相信，可能會有上下偏差幾度。我們把這些偏差看成是高斯白噪聲（WhiteGaussianNoise），也就是這些偏差跟前后時(shí)間是沒有關(guān)系的而且符合高斯分配（GaussianDistribution）。另外，我們在房間里放一個(gè)溫度計(jì)，但是這個(gè)溫度計(jì)也不準(zhǔn)確的，測量值會比實(shí)際值偏差。我們也把這些偏差看成是高斯白噪聲。 好了，現(xiàn)在對于某一分鐘我們有兩個(gè)有關(guān)于該房間的溫度值：你根據(jù)經(jīng)驗(yàn)的預(yù)測值（系統(tǒng)的預(yù)測值）和溫度計(jì)的值（測量值）。下面我們要用這兩個(gè)值結(jié)合他們各自的噪聲來估算出房間的實(shí)際溫度值。 假如我們要估算k時(shí)刻的是實(shí)際溫度值

4、。首先你要根據(jù)k-1時(shí)刻的溫度值，來預(yù)測k時(shí)刻的溫度。因?yàn)槟阆嘈艤囟仁呛愣ǖ模阅銜玫絢時(shí)刻的溫度預(yù)測值是跟k-1時(shí)刻一樣的，假設(shè)是23度，同時(shí)該值的高斯噪聲的偏差是5度（5是這樣得到的：如果k-1時(shí)刻估算出的最優(yōu)溫度值的偏差是3，你對自己預(yù)測的不確定度是4度，他們平方相加再開方，就是5）。然后，你從溫度計(jì)那里得到了k時(shí)刻的溫度值，假設(shè)是25度，同時(shí)該值的偏差是4度。 由于我們用于估算k時(shí)刻的實(shí)際溫度有兩個(gè)溫度值，分別是23度和25度。究竟實(shí)際溫度是多少呢？相信自己還是相信溫度計(jì)呢？究竟相信誰多一點(diǎn)，我們可以用他們的covariance來判斷。因?yàn)镵g2=52/(52+42，所以Kg=0.

5、78，我們可以估算出k時(shí)刻的實(shí)際溫度值是：23+0.78*(25-23=24.56度?？梢钥闯?，因?yàn)闇囟扔?jì)的covariance比較小（比較相信溫度計(jì)），所以估算出的最優(yōu)溫度值偏向溫度計(jì)的值。 現(xiàn)在我們已經(jīng)得到k時(shí)刻的最優(yōu)溫度值了，下一步就是要進(jìn)入k+1時(shí)刻，進(jìn)行新的最優(yōu)估算。到現(xiàn)在為止，好像還沒看到什么自回歸的東西出現(xiàn)。對了，在進(jìn)入k+1時(shí)刻之前，我們還要算出k時(shí)刻那個(gè)最優(yōu)值（24.56度）的偏差。算法如下：(1-Kg*520.5=2.35。這里的5就是上面的k時(shí)刻你預(yù)測的那個(gè)23度溫度值的偏差，得出的2.35就是進(jìn)入k+1時(shí)刻以后k時(shí)刻估算出的最優(yōu)溫度值的偏差（對應(yīng)于上面的3）。 就是這樣

6、，卡爾曼濾波器就不斷的把covariance遞歸，從而估算出最優(yōu)的溫度值。他運(yùn)行的很快，而且它只保留了上一時(shí)刻的covariance。上面的Kg，就是卡爾曼增益（KalmanGain）。他可以隨不同的時(shí)刻而改變他自己的值，是不是很神奇！ 下面就要言歸正傳，討論真正工程系統(tǒng)上的卡爾曼。 3卡爾曼濾波器算法 在這一部分，我們就來描述源于DrKalman的卡爾曼濾波器。下面的描述，會涉及一些基本的概念知識，包括概率（Probability），隨即變量（RandomVariable），高斯或正態(tài)分配（GaussianDistribution）還有State-spaceModel等等。但對于卡爾曼濾波器

7、的詳細(xì)證明，這里不能一一描述。 首先，我們先要引入一個(gè)離散控制過程的系統(tǒng)。該系統(tǒng)可用一個(gè)線性隨機(jī)微分方程（LinearStochasticDifferenceequation）來描述： X(k=AX(k-1+BU(k+W(k 再加上系統(tǒng)的測量值： Z(k=HX(k+V(k 上兩式子中，X(k是k時(shí)刻的系統(tǒng)狀態(tài)，U(k是k時(shí)刻對系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)，對于多模型系統(tǒng)，他們?yōu)榫仃?。Z(k是k時(shí)刻的測量值，H是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)，H為矩陣。W(k和V(k分別表示過程和測量的噪聲。他們被假設(shè)成高斯白噪聲(WhiteGaussianNoise，他們的covariance分別是Q，R（

8、這里我們假設(shè)他們不隨系統(tǒng)狀態(tài)變化而變化）。 對于滿足上面的條件(線性隨機(jī)微分系統(tǒng)，過程和測量都是高斯白噪聲，卡爾曼濾波器是最優(yōu)的信息處理器。下面我們來用他們結(jié)合他們的covariances來估算系統(tǒng)的最優(yōu)化輸出（類似上一節(jié)那個(gè)溫度的例子）。 首先我們要利用系統(tǒng)的過程模型，來預(yù)測下一狀態(tài)的系統(tǒng)。假設(shè)現(xiàn)在的系統(tǒng)狀態(tài)是k，根據(jù)系統(tǒng)的模型，可以基于系統(tǒng)的上一狀態(tài)而預(yù)測出現(xiàn)在狀態(tài)： X(k|k-1=AX(k-1|k-1+BU(k.(1 式(1中，X(k|k-1是利用上一狀態(tài)預(yù)測的結(jié)果，X(k-1|k-1是上一狀態(tài)最優(yōu)的結(jié)果，U(k為現(xiàn)在狀態(tài)的控制量，如果沒有控制量，它可以為0。 到現(xiàn)在為止，我們的系統(tǒng)結(jié)

9、果已經(jīng)更新了，可是，對應(yīng)于X(k|k-1的covariance還沒更新。我們用P表示covariance： P(k|k-1=AP(k-1|k-1A+Q(2 式(2中，P(k|k-1是X(k|k-1對應(yīng)的covariance，P(k-1|k-1是X(k-1|k-1對應(yīng)的covariance，A表示A的轉(zhuǎn)置矩陣，Q是系統(tǒng)過程的covariance。式子1，2就是卡爾曼濾波器5個(gè)公式當(dāng)中的前兩個(gè)，也就是對系統(tǒng)的預(yù)測。 現(xiàn)在我們有了現(xiàn)在狀態(tài)的預(yù)測結(jié)果，然后我們再收集現(xiàn)在狀態(tài)的測量值。結(jié)合預(yù)測值和測量值，我們可以得到現(xiàn)在狀態(tài)(k的最優(yōu)化估算值X(k|k： X(k|k=X(k|k-1+Kg(k(Z(k-HX(k|k-1(3 其中Kg為卡爾曼增益(KalmanGain： Kg(k=P(k|k-1H/(HP(k|k-1H+R(4 到現(xiàn)在為止，我們已經(jīng)得到了k狀態(tài)下最優(yōu)的估算值X(k|k。但是為了要另卡爾曼濾波器不斷的運(yùn)行下去直到系統(tǒng)過程結(jié)束，我們還要更新k狀態(tài)下X(k|k的covariance： P(k|k=（I-