kalman滤波（三）---各种滤波的方法汇总+优化的方法

最新推荐文章于 2026-04-20 09:07:30 发布

转载

最新推荐文章于 2026-04-20 09:07:30 发布 · 2.4k 阅读

这篇博客汇总了多种针对非线性高斯系统的滤波方法，包括扩展卡尔曼滤波(EKF)、迭代EKF(IEKF)、无迹卡尔曼滤波(UKF)、容积卡尔曼滤波(CKF)和粒子滤波(PF)。博主详细介绍了每种滤波器的工作原理，提供了理解和应用这些技术的宝贵资源。

大神解答

一.前提

最一般的状态估计问题，我们会根据系统是否线性，把它们分为线性/非线性系统。同时，对于噪声，根据它们是否为高斯分布，分为高斯/非高斯噪声系统。现实中最常见的，也是最困难的问题，是非线性-非高斯(NLNG, Nonlinear-Non Gaussian)的状态估计。下面先说最简单的情况：线性高斯系统。

线性高斯系统

在线性高斯系统中，运动方程、观测方程是线性的，且两个噪声项服从零均值的高斯分布。这是最简单的情况。简单在哪里呢？主要是因为高斯分布经过线性变换之后仍为高斯分布。而对于一个高斯分布，只要计算出它的一阶和二阶矩，就可以描述它（高斯分布只有两个参数 $\mu, \Sigma$ ）。
　　线性系统形式如下：
$\left\{ \begin{array}{l} {x_k} = {A_{k - 1}}{x_{k - 1}} + {u_k} + {w_k}\\ {y_k} = {C_k}{x_k} + {n_k}\\ {w_k}\sim N\left( {0,{Q_k}} \right)\\ {n_k}\sim N(0,{R_k}) \end{array} \right.$ 　　其中 Q_k,R_k 是两个噪声项的协方差矩阵； A,C 为转移矩阵和观测矩阵； $\hat{x}$ 表示的后验概率，用 $\tilde x$ 表示它的先验概率。因为系统是线性的，噪声是高斯的，所以状态也服从高斯分布，需要计算它的均值和协方差矩阵。记第时刻的状态服从： $x_k\sim N({{\bar x}_k},{P_k})$
　　对LG系统，可以用贝叶斯法则，计算的后验概率分布——这条路直接通向卡尔曼滤波器。卡尔曼是线性系统的递推形式（recursive，也