精华内容
下载资源
问答
  • 用于导航目标跟踪和地形参考导航的卡尔曼滤波器和扩展卡尔曼滤波器示例
  • 1) 标准卡尔曼滤波器2) 扩展卡尔曼滤波器3) 双卡尔曼滤波器4) 平方根卡尔曼滤波器 该软件包还包含每种过滤器类型的说明性示例,演示它们的实际应用。 在所有 4 种情况下,KF 函数都接受多维系统的输入噪声样本,并...
  • 扩展卡尔曼滤波器

    2014-10-17 17:19:38
    扩展卡尔曼滤波器用于机动目标跟踪matlab代码及对应论文
  • 这是一个关于非线性扩展卡尔曼滤波器 (EKF) 的教程。 它使用标准的 EKF 公式来实现非线性状态估计。 在内部,它使用复阶雅可比线性化非线性动态系统。 然后在卡尔曼滤波器计算中使用线性化矩阵。 复杂的阶跃微分...
  • 该函数展示了一种使用扩展卡尔曼滤波器解决一些无约束非线性优化问题的方法。 包括两个示例:一般优化问题和求解由神经网络模型表示的一组非线性方程的问题。 该函数需要扩展卡尔曼滤波函数,可从以下链接下载: ...
  • 该项目的目的是了解卡尔曼滤波器的基础知识,因此我可以继续学习扩展卡尔曼滤波器。 在定义明确的模型的情况下,具有从零均值高斯分布得出的测量误差的一维线性系统,卡尔曼滤波器已被证明是最佳估计器。 自述文件...
  • 该包实现了双扩展卡尔曼滤波器功能,用于时变 MVAR 参数估计的应用。 它还包括一个示例脚本,该脚本显示了该函数在具有时变参数的模拟 MVAR 模型上的使用。 要查看 DEKF 在 EEG 信号处理中的应用,请参阅我们的研究...
  • 数据融合matlab代码扩展卡尔曼滤波器项目入门代码 无人驾驶汽车工程师纳米学位课程 有关代码,请参见src文件夹。 src中的READ_ME_SENSOR_FUSION_EKF.pdf文件包含有关项目的详细说明 在本项目中,您将利用卡尔曼...
  • 扩展卡尔曼滤波器项目入门代码 无人驾驶汽车工程师纳米学位课程 在此项目中,您将利用卡尔曼滤波器通过有声的激光雷达和雷达测量来估计感兴趣的运动对象的状态。 通过项目要求获得的RMSE值低于项目规则中概述的公差...
  • 扩展卡尔曼滤波器.m

    2019-08-14 22:31:46
    扩展卡尔曼滤波器,雅可比矩阵,蒙特卡洛100次,消除误差
  • 扩展卡尔曼滤波器 使用Gazabo,Rviz和ROS 设置环境: 对于此项目,使用了以下设置: Ubuntu 16.04 LTS操作系统 罗斯动力学 凉亭7.0.0 Rviz 1.12.17 安装步骤: 将此存储库克隆到您的主目录: $ git clone ...
  • matlab开发-扩展卡尔曼滤波器示例。扩展卡尔曼滤波器的一个例子
  • 这是一个用于正弦波的卡尔曼滤波器的简单演示,它的注释非常多,是学习它的功能时的一个很好的入门方法。
  • 基于扩展卡尔曼滤波器的 2 类模糊逻辑系统学习算法及其实验评估。 IEEE 工业电子学报,59(11),第 4443-4455 页。 本研究中包含的数据集来自土耳其伊斯坦布尔 Bogazici 大学机电实验室的防抱死制动系统: ...
  • matlab开发-扩展卡尔曼滤波器。用GPS定位实例实现扩展卡尔曼滤波的一种简便方法
  • 我花了一些时间处理卡尔曼滤波器,这是我的一部分(请参阅第3章),其中我编写了连续离散扩展卡尔曼滤波器和离散离散扩展卡尔曼滤波器。 在对两个过滤器进行编码之后,我决定让事情变得有趣,并添加了其他过滤器( ...
  • 通过扩展卡尔曼滤波器高精度估算惯性旋转
  • 基于扩展卡尔曼滤波器的移动机器人SLAM研究
  • 由 Youngjoo Kim 和 Hyochoong Bang 编写的 IntechOpen (2018) 一书章节“卡尔曼滤波器及其应用简介”中示例的源代码
  • 卡尔曼滤波器可以实现对过去、当前和未来目标位置的估计,所以想通过卡尔曼滤波器的设计思路找到一些灵感。虽然最后发现:卡尔曼滤波器中的状态量是有具体的物理含义的物理量,而表征轴承故障状态的量只是一种表征量...

    这段时间做轴承故障诊断和预测的时候,需要一个针对已经获取了特征向量的工具来对轴承故障状态进行估计和预测。卡尔曼滤波器可以实现对过去、当前和未来目标位置的估计,所以想通过卡尔曼滤波器的设计思路找到一些灵感。虽然最后发现:卡尔曼滤波器中的状态量是有具体的物理含义的物理量,而表征轴承故障状态的量只是一种表征量。这两者之间存在着本质的差别,因为轴承的退化过程目前为止还不能建模。虽然如此,我还是想将卡尔曼滤波器详细的推导过程分享给大家。
    学习过程中,参考了白巧克力亦唯心的文章:卡尔曼滤波–从推导到应用(一)卡尔曼滤波–从推导到应用(二),在此给出直达连接。他/她的文章有故事,有推导,有例子,有代码,很优秀,向大家推荐。我在这篇文章里希望把很多文章中语焉不详的推导,以及符号的定义阐释清楚,并加入一些自己的理解,希望和大家分享。第一次写博客,markdown编辑器的用法还不熟悉,公式编辑会花去很多时间。所以直接用图片代替了,希望大家能够理解,以后我会慢慢按照标准的格式来编辑公式的。
    一、基本卡尔曼滤波器(BKF)
    卡尔曼在NASA埃姆斯研究中心访问时,发现他的方法对于解决阿波罗计划的轨道预测很有用,后来阿波罗飞船的导航电脑便使用了这种滤波器。关于这种滤波器的论文最早由Swerling(1958)发表了这种想法。
    1、基本动态模型
    假设1:k时刻的真实状态是从k-1时刻的真实状态演化而来;
    假设2:演化与测量的过程由线性算子来描述。
    2、两个基本的方程
    四个状态值的定义:
    这里写图片描述
    状态转移方程:
    这里写图片描述
    状态测量方程:
    这里写图片描述
    基于k-1时刻状态对k时刻状态的估计值与真实值之间的差称为估计误差,该估计误差的协方差矩阵的定义为后验估计误差协方差矩阵,用下式表示:
    这里写图片描述
    其模型拓扑结构用隐马尔科夫链可以表示成图1(维基百科:卡尔曼滤波)这样:
    这里写图片描述
    图1 卡尔曼滤波的隐马尔可夫链式模型
    3、两个基本的过程
    3.1 预测过程
    这里写图片描述
    这里写图片描述
    从公式(3)*推导公式(2):
    这里写图片描述
    3.2 更新过程
    我们基于k-1时刻对k时刻状态的估计是否正确,需要用与实际测量值之间的误差来衡量,并且考虑用这个误差来补偿。所以在更新之前,我们应该计 算实际测量值与估计输出值之间的差值及其协方差矩阵。
    这里写图片描述
    (3)式的协方差矩阵表示为:
    这里写图片描述
    下面推导公式(4):
    这里写图片描述
    然后我们再进行更新的步骤。更新是指:由基于k-1时刻对k时刻状态的估计值应当如何得到k时刻的估计值。卡尔曼的思想就是:用基于k-1时刻对k时刻状态的估计值与预测输出值和实际输出值之间的差进行线性组合得到k时刻的估计值,连接这两者的就是卡尔曼增益。这里体现的就是反馈的思想,更新过程的第一步用下式表示:
    这里写图片描述
    那么现在问题来了,如何求取这个卡尔曼增益呢?
    这时候我们应该回到我们的出发点,我们希望的是滤除干扰真实状态的噪声,是滤波器的估计状态与真实状态最为接近。最为接近可以理解为k时刻的真实状态与k时刻的估计状态之间的误差二范平方和最小,也就等价于协方差矩阵的迹最小。可以表示为:
    这里写图片描述
    在这种情况下求取的卡尔曼增益称为最优卡尔曼增益。求取的过程就是直接上式对卡尔曼增益求一阶导数。
    更新过程的第二步,就是计算卡尔曼增益:
    这里写图片描述
    下面给出推导过程:
    这里写图片描述
    这里写图片描述
    最优卡尔曼增益计算出来之后,我们发现在最优卡尔曼增益情况下可以对后验误差协方差矩阵进行简化。第三步就是计算在最优卡尔曼增益下的后验误差协方差矩阵:
    这里写图片描述
    推导过程:
    这里写图片描述
    4、总结
    卡尔曼在滤波器的推导过程就已经完成了,下面我们再将它们整合到一起,有个更清晰的认识:
    这里写图片描述
    将这些方程做成框图:
    这里写图片描述
    从中可以看到,只要对初始状态进行设定,卡尔曼滤波器就可以完成迭代了。
    下面的图是我用白巧克力亦唯心提到的匀加速的例子做了三张GIF来动态展示这个过程,以示其效果。
    这里写图片描述
    图2 理论值
    这里写图片描述
    图3 测量值
    这里写图片描述
    图4 卡尔曼滤波结果
    该卡尔曼滤波器是从第10个时间步才开始测量的,之前保持为0。
    二、扩展卡尔曼滤波器(EKF)
    EKF只是在KF的基础之上改变了状态转移函数和测量函数,从而将卡尔曼滤波器的线性算子变为非线性算子。下面只给出与KF不同的地方的公式推导。其他部分参考KF的推导。
    这里写图片描述
    这里写图片描述
    可以看出,EKF依然是在KF的框架内进行的改进,所以思路与KF是完全一致的。只是这里写图片描述这里写图片描述的计算方法不同。
    下面给出推导过程。
    这里写图片描述
    这里写图片描述
    到这一步,近似最优卡尔曼增益的计算就与KF的推导过程完全一致了,在此不再赘述。
    只是需要注意一下的是:此处为什么是近似最优卡尔曼增益而不是最优卡尔曼增益。这是因为计算这里写图片描述这里写图片描述的时候理论上应该计算函数f和h的雅可比矩阵。但是实际操作起来非常困难,特别是对于一些复杂的非线性系统。因此往往采用泰勒展开去一阶线性的部分。由于近似,得到的卡尔曼在增益也就不是最优卡尔曼增益,而是近似最优卡尔曼增益。这就直接导致了EKF在高度非线性系统下性能锐减的必然结果。而且系统初始状态估计错误或者说建模不正确,EKF也会迅速发散。所以在第三部分介绍的UKF则避免了求取函数的雅可比矩阵,从而提高了滤波器的性能和鲁棒性。
    三、无向卡尔曼滤波器(UKF)
    UKF依然没有脱离KF的框架。只不过对下一时刻状态的预测方法变成了sigma点集的扩充与非线性映射。这样做有两个优点:1、避免了复杂非线性函数雅可比矩阵的复杂运算;2、保证了非线性系统的普遍适应性。此外,由于高斯分布sigma点集的扩展,使高斯分布的噪声得到抑制。
    预测过程:
    这里写图片描述
    这里写图片描述
    更新过程:
    这里写图片描述
    这里写图片描述
    在准确建模的前提下,KF,EKF和UKF都有不错的表现。但是对于很多复杂的系统而言,建模就是一个复杂的问题。如果模型参数没办法准确估计,那么卡尔曼滤波器的应用就会受到限制。在不知道模型参数的情况下,可以通过蒙特卡洛采样,特别是粒子滤波的方法来对参数进行估计。这也是笔者继续研究的方向。以上内容,仅供参考。限于水平,难免纰漏。如有不妥之处,还请告知。

    展开全文
  • 扩展卡尔曼滤波器中的噪声协方差自适应Q学习
  • 基于测量求和的网络控制系统扩展卡尔曼滤波器
  • 本资源为永磁同步电机的扩展卡尔曼滤波器的simulink仿真模型,为个人搭建,已通过调试,完整可用。适合初学者学习,科研工作者可以在此基础修改使用。
  • EEKF - 嵌入式扩展卡尔曼滤波器 该项目在 C 中实现了一个扩展卡尔曼滤波器,用于嵌入式应用程序。 主要特点是: 小实现 使用回调进行状态转换和测量预测功能的简单 C 接口 可用于非线性(扩展)和线性卡尔曼滤波器...
  • VINS:使用扩展卡尔曼滤波器的传感器融合
  • 扩展卡尔曼滤波器项目入门代码 无人驾驶汽车工程师纳米学位课程 在此项目中,您将利用卡尔曼滤波器通过激光雷达和雷达测量来估计感兴趣的运动对象的状态。 通过项目要求获得的RMSE值低于项目规则中概述的公差。 该...
  • 针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题, 提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,803
精华内容 1,121
关键字:

扩展卡尔曼滤波器