复习EKF
来源:互联网 发布:分水岭算法 编辑:程序博客网 时间:2024/04/30 02:24
复习EKF
扩展卡尔曼滤波是在卡尔曼滤波的基础上进行泰勒展开实现的
卡尔曼滤波的五个基础方程:
- 系统状态方程(由上一状态滤波值预测当前状态估计值):
X(k|k−1)=AX(k−1|k−1)+BU(k)+W(k) - 预测方程不确定性更新(Q表示w(k)的协方差矩阵,不随系统状态变化而比变化):
形象的理解:上一次预测值与滤波值的偏差和高斯噪声的叠加。协方差矩阵表示的是矩阵各个位置之间的方差量,所以用APA’的形式计算
- 最优化估计状态方程:
- 卡尔曼增益计算方程(通过对比观测值与预测值方差的大小计算增益,R表示观测方程的噪声协方差矩阵):
- 更新协方差矩阵:
实际使用中,需要我们设置观测方程和预测方程的协方差矩阵
扩展卡尔曼滤波
卡尔曼滤波针对的是线性系统的滤波方法,在实际应用中,绝大部分系统是非线性的。为了解决非线性的滤波问题,需要使用扩展卡尔曼滤波(EKF)
实现原理;在估计状态点,对观测方程和状态方程进行线性化处理。一般采用泰勒展开保留其一阶项。
缺点:1.由于只保留一阶项,所以扩展卡尔曼滤波只能达到二阶精度,这就要求系统为弱线性化的。如果系统非线性状态较为强烈,可考虑使用无迹卡尔曼滤波(UKF);2.
实现方法: 雅可比矩阵更新模型
Fk=∂f∂X|X(k−1|k−1),uk
Hk=∂h∂X|X(k−1|k−1),uk
阅读全文
0 0
- 复习EKF
- EKF
- EKF备忘录
- EKF SLAM
- EKF matlab
- EKF/UKF/IMM
- MATLAB中EKF/UKF
- EKF—SLAM推导
- ekf 传感器数据融合
- EKF-SLAM matlab仿真(1)
- EKF-SLAM matlab仿真(2)
- 卡尔曼滤波_3(EKF)
- 卡尔曼滤波_3(EKF)
- SLAM for Dummies:The EKF
- 基于EKF的姿态解算
- 扩展卡尔曼滤波(EKF)
- 滤波方法 PF KF EKF UKF
- My First SLAM Implementation EKF-SLAM
- Prototype功能预览九:接口最小化原则-更安全的接口
- 大数据处理问题
- 【MySQL】(3)用mysql-connector-java-5.1.34连接器 连接Java和MySQL
- muduo源码分析(1):时间类
- PAT(Basic Level)_1049_数列的片段和
- 复习EKF
- KotLin的认识(一)
- CCF201412-3 集合竞价 日常暴力带BUG修复
- Zcash钱包(ZEC钱包)官方客户端常见命令实测(一)
- MXNet应用之一:Large Scale Image Classification
- JavaScript Date 对象 详解
- PAT(Basic Level)_1050_螺旋矩阵
- Test run failed: Unable to find instrumentation target package: android.support.v7.appcompat
- c++ STL中容器迭代器失效