本文深入探讨卡尔曼滤波器的理论与应用，详细解析初始化、预测与观测三个核心阶段，涵盖状态向量、状态转移矩阵、过程噪声、测量矩阵及卡尔曼增益等关键概念，适用于行人状态预测与目标追踪。
基于cv模型的行人状态预测/卡尔曼滤波与目标追踪
卡尔曼的理论
一、初始化
我们认为小车在第1秒时的状态x与测量值z相等
二、预测(Prediction)
完成初始化后，我们开始写Prediction部分的代码。首先是公式:
x ′ = F x + u (1) \ x^{'} = \ Fx +u \tag{1} x′= Fx+u(1)
这里的x为状态向量，通过左乘一个矩阵F，再加上外部的影响u，得到预测的状态向量x’。这里的F被称作状态转移矩阵（state transistion matrix）。以2维的匀速运动为例，这里的x为:
x = [ p x p y v x v y ] x=\left[ \begin{matrix} p_x \\ p_y \\ v_x \\ v_y \end{matrix} \right] \ x=⎣⎢⎢⎡pxpy
扫一扫
286
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
