滤波笔记一：卡尔曼滤波（Kalman Filtering）详解

原创 已于 2023-05-13 16:50:08 修改 · 10w+ 阅读 · 4k
标签
#算法
于 2022-07-02 22:19:58 首次发布
本文通过实战案例解析卡尔曼滤波器的工作原理，重点介绍了递归算法、数学基础、状态空间方程等内容，并提供了Python代码实现。
该文章已生成可运行项目，

本笔记是总结了B站DR_CAN的卡尔曼滤波器的课程，他的B站主页为：DR_CAN的个人空间_哔哩哔哩_bilibili

PS:虽然我不是学自控的，但是老师真的讲的很好！ 

一个补充的参考链接，能够帮助进一步了解Q、R对这个实验的影响：

关于卡尔曼滤波中协方差矩阵Q,R的一些思考,卡尔曼原理讲解

目录

Lesson1 递归算法

Lesson2 数学基础_数据融合_协方差矩阵_状态空间方程

Lesson3 卡尔曼增益的详细推导

Lesson4 误差的协方差矩阵Pe的数学推导

 Lesson5 直观理解卡尔曼滤波以及一个实例

当计算误差Wk大于测量误差Vk时

当计算误差Wk小于测量误差Vk时

本例的python代码

突然想到一个问题：如何确定卡尔曼滤波要迭代多少次呢？

总结一下

1.算法迭代的五个步骤

2.算法的python代码实现

Lesson1 递归算法

 

 

Lesson2 数学基础_数据融合_协方差矩阵_状态空间方程

 

 

Lesson3 卡尔曼增益的详细推导

 

 

 

Lesson4 误差的协方差矩阵Pe的数学推导

 

 

 Lesson5 直观理解卡尔曼滤波以及一个实例

 

 

 

 下面具体看一下，之前反复提到过：如果模型计算误差Wk小，最终的估计值就更偏向计算值；

                &nb

本文章已经生成可运行项目
最低0.47元/天 解锁文章
【卡尔曼滤波】图文结合带你详细推导卡尔曼滤波（超详解）
weixin_44270218的博客
03-04 2万+
卡尔曼滤波我也是研究了很久，一直在思考的问题就是，卡尔曼滤波到底有什么用？如果用笼统的话来解释，那就是：将预测的值和量测的值结合起来，获得更接近真实情况的数值。
如何使用卡尔曼滤波（Kalman Filtering）实现对物体运动轨迹的预测？（附源码）
weixin_40247876的博客
11-06 4万+
OpenCV杂谈_13 一. 什么是卡尔曼滤波？它的用途又是什么？以及它有什么拓展？ 卡尔曼滤波（Kalman filtering, KF）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。 卡尔曼滤波的一个典型实例是从一组有限的，对物体位置的，包含噪声的观察序列中预测出物体的坐标位置及速度。在很多工程应用（雷达、计算机视觉）中都可以找到它的身影。同时，卡尔曼滤波也是控制理论以及控制系统工程中的一个重要话题。 为了解决普通KF仅能处理线性数据的问题，从而就有了用于解决非
一文搞懂 · 卡尔曼滤波及其变体（KF、EKF、UKF）
m0_56997192的博客
07-17 9466
本文系统介绍了卡尔曼滤波（KF）及其扩展方法。传统KF通过预测和更新两阶段，在满足线性高斯假设下实现最优状态估计。扩展KF（EKF）通过局部线性化处理非线性系统，而无迹KF（UKF）则采用无迹变换避免求导误差。文章详细对比了三者的特点、实现步骤及应用场景，并通过俯仰角估计等实例说明KF在多源数据融合中的核心作用。文中强调，协方差矩阵是KF的关键，它动态管理估计的不确定性，控制滤波器对模型和观测的信任程度。此外，观测矩阵作为状态空间到观测空间的桥梁，确保了残差计算的维度一致性。这些方法在导航、机器人、控制等领
【算法封神】别被数学公式吓退！一文搞透卡尔曼滤波（Kalman Filter），附极简C语言实战
最新发布
2401_88409548的博客
04-28 571
如果我知道自己的步子一向很稳（$Q$ 很小），我就多相信“预测”；如果我知道自己是个高度近视，看路标经常看错（$R$ 很大），那我就少相信“测量”。如果测量噪声 $R$ 很大，$K$ 就趋近于 0；如果 $R$ 很小，$K$ 就趋近于 1）(我凭感觉走了一步，心里的“不确定性 $P$”肯定增加了，增加的量就是过程噪声 $Q$)（睁开眼睛确认了位置后，我心里的“不确定性 $P$”变小了，保存下来留给下一次循环）输出波形会变得极其平滑，但。寻找 $Q$ 和 $R$ 的最佳比例，就是寻找平滑与灵敏的完美平衡点！
卡尔曼滤波(Kalman Filter)概念介绍及详细公式推导
热门推荐
泽渊的博客
05-29 9万+
卡尔曼滤波（Kalman filter）是一种高效率的递归滤波器（自回归滤波器），它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量量在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会比只以单一测量量为基础的估计方式要准。卡尔曼滤波得名自主要贡献者之一的鲁道夫·卡尔曼。​ 卡尔曼滤波的算法是二步骤的程序。
卡尔曼滤波介绍
m0_64007201的博客
10-19 5057
卡尔曼滤波的简单介绍
卡尔曼滤波【Kalman Filter】详解
weixin_44606353的博客
04-20 4638
对于卡尔曼滤波器，我们几乎可以下这么一个定论：只要是存在不确定信息的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。 因此卡尔曼滤波非常适合不断变化的系统，它的优点还有内存占用较小（只需保留前一个状态）、速度快，是实时问题和嵌入式系统的理想选择。
详解卡尔曼滤波（Kalman Filter）
weixin_55252589的博客
12-30 5260
黑盒（Black Box）思想最早由维纳（Wiener）在1939年提出，即假定我们对从数据到估计中间的映射过程一无所知，仅仅用线性估计（我们知道在高斯背景下，线性估计能达到克拉美劳下界，是最优估计）来掩盖我们的无知。但是，到了二十年以后的1960年卡尔曼的年代，我们对于红框内的事（prior knowledge），很有可能是知道的，并且知道得很详细，很清楚。再这样的情况下，我们还不能有效地利用这一部分先验知识来帮助我们把估计做的更好就没有任何道理了。卡尔曼就是从红框入手，将这部分先验信息表达出来。至于怎么
卡尔曼滤波
qq_45113223的博客
07-07 5万+
目录1.卡尔曼滤波入门2.学卡尔曼滤波的必备知识2.1.状态空间表达式2.2.高斯分布2.3.方差2.4.超参数2.5.卡尔曼直观图解3.卡尔曼滤波3.1.卡尔曼公式理解3.2.调节超参数3.2.1.Q和R的取值3.2.2.P0和X0的取值3.2.3.卡尔曼滤波的使用...
卡尔曼滤波（Kalman Filter）深入解析：从零开始彻底搞懂预测与修正（适合小白，无需数学基础，一步步深入讲解）
navsense_support的博客
03-13 5万+
卡尔曼滤波（Kalman Filter）深入解析：从零开始彻底搞懂预测与修正（适合小白，无需数学基础，一步步深入讲解）
卡尔曼滤波（Kalman Filtering）详细解读
爱蹦跶的全栈大A阿
06-06 2665
卡尔曼滤波（Kalman Filtering）是一种用于估计动态系统状态的递推算法，被广泛应用于控制系统、信号处理、经济学、导航和机器人学等领域。它是由瑞典数学家鲁道夫·卡尔曼（Rudolf E. Kalman）于1960年提出的，因其在多种应用中的卓越表现，被誉为20世纪最重要的发明之一。本文将从卡尔曼滤波的基本原理、数学推导、应用实例以及代码实现等方面进行详细解读，帮助读者深入理解这一强大的工具。​卡尔曼滤波是一种强大的估计工具，广泛应用于各个领域。
卡尔曼滤波详细推导
qq_34911636的博客
08-19 7353
卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。卡尔曼滤波器的本质是线性最小均方误差估计，而均方误差是协方差矩阵的迹。卡尔曼滤波有好几种公式推导方法，本文从最小二乘估计的方法推导卡尔曼滤波过程。 1、系统的变量定义 为系统的真值 为系统的测量值 为卡尔曼滤波增益 系统的状态转移矩阵 为系统的输入增益矩阵 为系统的量测矩阵 为最优估计协方
Unscented kalman Filtering 无损卡尔曼滤波的matlab程序
张文宇的博客
02-07 7804
本来想写下原理的，CSDN的博客貌似不可以编辑公式，那就算了，直接放程序好了。 这个程序大部分是从前人那里看来的，向他们表示感谢，它帮助我完成了一个课程论文的仿真。我很喜欢原作者简洁有效的编程风格。这几个程序对于学习最优估计课程的人来说是很需要的。 构建Sigma点的函数 function X = sigmas(x,P,c) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
卡尔曼滤波（Kalman filtering）
weixin_42260296的博客
09-27 1534
卡尔曼滤波（KF）是一种利用系统状态方程和观测数据对系统状态进行最优估计的算法，通过加权测量值和预测值来减小噪声影响。其核心包括预测和更新两个步骤：预测阶段通过状态方程估计当前状态，更新阶段利用卡尔曼增益结合观测值修正估计。KF假设噪声服从高斯分布且相互独立。扩展卡尔曼滤波（EKF）将KF推广到非线性系统，通过局部线性化（雅可比矩阵）处理非线性问题，但存在计算复杂和强非线性下性能下降的局限性。KF/EKF广泛应用于导航、控制等领域的状态估计问题。
卡尔曼滤波（Kalman Filtering）——（7）扩展卡尔曼滤波（EKF）一阶滤波
曾记否@
10-22 7200
高亮颜色说明：突出重点 个人觉得，：待核准个人观点是否有误 这里写目录标题二级标题待补充待补充分割线分割线一、泰勒级数展开公式二、麦克劳林展开公式三、多维向量函数泰勒级数一维展开 二级标题    待补充    待补充    文字居中 数学公式粗体\textbf{}或者memory{\bf memory}memory 数学公式粗斜体\bm{} 摘录自“bookname_author” 此文系转载，原文链接：名称 20200505 高亮颜色说明：突出重点 个人觉得，：待核准个人观点是否有误
滤波器：卡尔曼滤波
CITY_OF_MO_GY的博客
02-14 7080
卡尔曼滤波器
通俗理解卡尔曼滤波（无人驾驶感知融合的经典算法）
结构之法 算法之道
09-17 4万+
前言 说来惭愧，我个人也算有近10年AI教育经验，中间获得过一些名号，比如北理工校外导师，微软MVP兼CSDN技术专家，本博客也有1700多万PV了，在AI圈内还是有很高知名度的。后2015年和团队一块创业创办AI职教平台「七月在线」，至今已近7年，这6 7年我们把AI做透了，同行没做的我们做，同行没有的广度我们有，同行不到的深度我们到。 六年多来，在专注做成人AI职教的同时，面对过很多行业的刺激，但自始至终都坚持专注AI。但过程中越发深刻意识到，AI只有与行业深度结合绑...
卡尔曼滤波的理解
非晚非晚的博客
02-24 1万+
卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”
图说卡尔曼滤波（C++实现）
A_L_A_N
08-04 1万+
什么是卡尔曼滤波？ 对于这个滤波器，我们几乎可以下这么一个定论：只要是存在不确定信息的动态系统，卡尔曼滤波就可以对系统下一步要做什么做出有根据的推测。即便有噪声信息干扰，卡尔曼滤波通常也能很好的弄清楚究竟发生了什么，找出现象间不易察觉的相关性。 因此卡尔曼滤波非常适合不断变化的系统，它的优点还有内存占用较小（只需保留前一个状态）、速度快，是实时问题和嵌入式系统的理想选择。 如果你曾经Goog...
卡尔曼滤波-卡尔曼滤波全篇讲解
永远的我们的博客
08-21 4万+
卡尔曼滤波个人理解两种信号状态变量（按照人类经验预测的状态）观测变量（根据生活工具测量的实际状态）噪声 个人理解   在卡尔曼滤波中，有两种变量。   第一种是我们预测的状态变量，是我们从日常的生活经验中总结出来的普遍公式来进行预测的，就像一辆小车在镜面上行驶，速度2m/s,我们通过s = v * t，预测下一秒会前进两米，但实际结果与预测有差异，因为我们的公式没办法将实际的情况全部体现出来（像摩擦力，风速等未在公式中体现）。   第二种就是我们实际测量的观察变量，我们用尺子测量小车在一秒内行进的距离。这个
评论 61
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值