【笔记】自适应卡尔曼滤波 Adaptive Extended Kalman Filter

最新推荐文章于 2026-06-24 09:32:14 发布
原创 最新推荐文章于 2026-06-24 09:32:14 发布 · 2.7w 阅读 · 250
标签
#kalman #自适应
该文提出了一种自适应调整Kalman滤波中噪声协方差Q和R的方法，无需精确初始值即可提高滤波精度。通过低通滤波平滑R的估计，同时动态调整Q。仿真实验表明，该方法在不同Q、R比例下均能实现较好的滤波效果，且最终MSE优于传统EKF，即使Q、R初值不准确也能收敛至较优状态。

0 阅读文章

《Adaptive Adjustment of Noise Covariance in Kalman Filter for Dynamic State Estimation》

1 主要内容

一般情况下，kalman中的Q、R都是根据经验、实验或数据手册得到的，但是有些参数是无法获得的，尤其是过程噪声，就需要通过不断试凑确定参数，显然是不靠谱的。
这个文章提供一种自适应调整Q、R的方法，不需要精确的初值，就可以获得较高的滤波精度。

2 思路

2.1 状态方程

image.png

2.2 预测

image.png

2.3 校正

image.png

2.4 Q、R的估计

1）R 的估计
image.png
为了使R平滑变化，使用低通滤波。

最低0.47元/天 解锁文章
基于自适应扩展卡尔曼滤波（AEKF）、粒子滤波(PF)算法估算锂离子电池SOC
06-14
采用二阶RC模型，需要代入自己的数据的地方： R0 = @(x)(-0.07495*(x(4))^4+0.2187*(x(4))^3-0.1729*(x(4))^2+0.01904*(x(4))+0.1973); R1 = @(x)(0.07826*(x(4))^4-0.2208*(x(4))^3+0.217*(x(4))^2-0.08761*(x(4))+0.01664); R2 = @(x)(0.1248*(x(4))^4-0.2545*(x(4))^3+0.1254*(x(4))^2-0.03868*(x(4))+0.05978); C1 = @(x)(2431*(x(4))^4-4606*(x(4))^3+3084*(x(4))^2-589*(x(4))+209.8); C2 = @(x)(681.1*(x(4))^4-3197*(x(4))^3+4595*(x(4))^2-3114*(x(4))+1444);
自适应卡尔曼滤波的详细论述，附有卡尔曼滤波的程序实现，
03-28
自适应卡尔曼滤波的详细论述，附有卡尔曼滤波的程序实现，
进一步理解自适应卡尔曼滤波（AKF）
具身小站
09-19 1231
自适应卡尔曼滤波AKF（Adaptive Kalman Filter）是一种高级的卡尔曼滤波技术，旨在解决标准KF及其变种（EKF, UKF）的一个核心痛点：滤波器参数的不确定性。过程噪声协方差矩阵 (Q)：描述了系统模型的不准确程度，比如一个无人机的运动模型噪声可能因其速度、机动性（如加速、转弯）而变化观测噪声协方差矩阵 ®：描述了传感器测量的不精确程度，比如一个GPS接收机的精度可能因卫星几何构型、电离层干扰或多路径效应而变化。
别再傻傻分不清！用Python手把手实现四种自适应卡尔曼滤波（附代码避坑）
weixin_27330481的博客
04-10 139
本文详细介绍了四种自适应卡尔曼滤波的Python实现方法，包括遗忘卡尔曼滤波、渐消记忆卡尔曼滤波和Sage-Husa算法，适用于多源融合场景。通过代码示例和避坑指南，帮助开发者优化传感器数据融合和状态估计，提升系统在动态环境中的响应速度和精度。
一文详解自适应无迹卡尔曼滤波（AUKF）
Luminosity_azur的博客
06-04 1万+
本文是对自适应无迹卡尔曼滤波（AUKF）的相关阐释，包括算法背景、算法概述及核心运算式、示例及MATLAB代码、算法优缺点分析四个部分。
自适应卡尔曼滤波
12-14
能运行的简单的自适应卡尔曼滤波程序，多维的滤波可在其上扩展。
GNSS说第(七)讲---自适应动态导航定位(四)---Kalman滤波
十八与她的博客
04-22 3276
GNSS说第(七)讲—自适应动态导航定位(三)—Kalman滤波 Kalman滤波 Kalman滤波的显著特点是对状态空间进行估计,而状态空间估计一般是动态估计。Kalman滤波采用递推算法,即由参数的验前估值和新的观测数据进行状态参数的更新。如此Kalman滤波一般只需存储前一个历元的状态参数估值，无须存储所有历史观测信息。显然Kalman滤波具有很高的计算效率,并可进行实时估计。 Kalman滤波考虑了信号与测量值的基本统计特性(一阶、二阶统计特性),而且由于采用了状态空间概念,用状态方程描述系统,信号
现代信号处理——自适应滤波器（卡尔曼滤波）
qq_42233059的博客
09-30 1万+
现代信号处理——自适应滤波器（卡尔曼滤波）
扩展卡尔曼滤波怎么加自适应？
热门推荐
软件领域
01-02 2万+
扩展卡尔曼滤波怎么加自适应？这是个扩展卡尔曼改进算法里面最简单最实用的做法，这个自适应三个字具体怎么理解？
【状态估计】基于UKF法、AUKF法、EUKF法电力系统三相状态估计研究附Matlab代码
m0_57702748的博客
04-16 904
电力系统状态估计是现代电网监控与安全运行的关键技术，其目标是根据实时量测信息，精确地确定电网的运行状态，为调度决策和控制提供基础数据。传统的状态估计方法，如加权最小二乘法(WLS)，对非线性系统存在局限性，而基于卡尔曼滤波(KF)及其变种的状态估计方法，能更好地处理电力系统的非线性特性。
演示扩展卡尔曼滤波在无人驾驶多传感器融合中的应用
Hi20240217的博客
07-15 501
摘要 本文提出了一种基于扩展卡尔曼滤波（EKF）的无人驾驶多传感器融合方法，用于提高车辆状态估计精度。系统整合GPS（1Hz）、IMU（20Hz）和LiDAR（10Hz）数据，通过非线性运动模型预测和传感器观测更新两个阶段实现状态融合。EKF使用雅可比矩阵处理非线性系统，并针对不同传感器特性（如GPS易受遮挡、IMU存在累积误差）设计噪声模型。实验验证了该方法能有效克服单一传感器局限，提供更鲁棒的车辆位置、速度和航向角估计。完整实现包括运动模型仿真、传感器噪声建模、EKF算法和可视化模块。
改进的自适应卡尔曼滤波算法
02-20
改进的自适应卡尔曼滤波算法 已经在F1板子上实现 与原卡尔曼算法进行对比 MATLAB工程在压缩文件里 F103使用 使用内部自带ADC
自适应卡尔曼滤波C++代码 Adaptive Kalman Filter
03-06
自适应卡尔曼滤波 Adaptive Kalman Filter，是指在利用测量数据进行滤波的同时，不断地由滤波本身去判断系统的动态是否有变化，对模型参数和噪声统计特性进行估计和修正，以改进滤波设计、缩小滤波的实际误差。此种滤波方法将系统辨识与滤波估计有机地结合为一体。
从滤波到平滑：手把手教你用Python实现RTS算法，搞定传感器数据后处理
weixin_30873847的博客
06-06 345
本文详细介绍了如何利用Python实现RTS平滑算法，从卡尔曼滤波基础到RTS平滑的完整流程，帮助开发者优化传感器数据后处理。通过代码示例和可视化对比，展示了RTS平滑在提升状态估计精度方面的显著效果，特别适用于无人机飞行日志分析等场景。
【信息科学与工程学】信息科学领域——第八十八篇 有限元/离散元/边界元/无界面分析01 通信网络及空间计算01
最新发布
weixin_49199313的博客
06-24 42
编号类型领域子领域问题问题的数学分析及数值分析参数列表及数值范围/各类常量关联知识1有限元法 (FEM)计算力学、工程科学结构分析、传热、流体、电磁场求解连续介质在给定边界条件和载荷下的响应（位移、应力、温度等），适用于复杂几何和非线性问题。：基于偏微分方程（PDE）强形式，如弹性力学平衡方程 ∇⋅σ+f=0。通过虚功原理或加权残量法导出弱形式：∫Ω​δε:σdΩ=∫Ω​δu⋅fdΩ+∫Γt​​δu⋅tdΓ。
传感数据分析——自适应Kalman滤波
weixin_39753819的博客
01-04 3430
前期文章已叙述在传感数据中基于滑动窗口的中值滤波和均值滤波一阶滞后滤波EMA滤波和卡尔曼滤波，并基于Python实现。本期将叙述自适应卡尔曼滤波及Python的实现
评论 24
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