卡尔曼滤波器简介——α−β−γ滤波器

这篇具有很好参考价值的文章主要介绍了卡尔曼滤波器简介——α−β−γ滤波器。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

       原文:The alpha - beta - gamma filter (kalmanfilter.net)

       本章是介绍性的,它描述了α−β和α−β−γ滤波器。这些滤波器经常用于时间序列数据平滑。α−β-(γ)滤波的原则与卡尔曼滤波原理密切相关。

示例 1 – 加权黄金

        现在我们已经准备好了第一个简单的例子。在此示例中,我们估计静态系统的状态。静态系统是在合理的时间段内不会更改其状态的系统。例如,静态系统可以是一座塔,而状态将是它的高度。

        在此示例中,我们估计金条的重量。我们有无偏尺度,即测量没有系统误差,但测量确实包括随机噪声。

卡尔曼滤波器简介——α−β−γ滤波器

        系统是金条,系统状态是金条的重量。系统的动态模型是恒定的,因为我们假设权重在短时间内不会改变。

        为了估计系统状态(即权重值),我们可以进行多次测量并对其进行平均。

卡尔曼滤波器简介——α−β−γ滤波器

        在时间  n 时,估计值 将是所有先前测量值的平均值:

卡尔曼滤波器简介——α−β−γ滤波器
        示例表示法:
是重量的真实值
是时间 处重量的测量值
是时间 处 的估计值(估计值是在进行测量 后进行的)
卡尔曼滤波器简介——α−β−γ滤波器 是 的未来状态 卡尔曼滤波器简介——α−β−γ滤波器的估计值。估计是在 时进行的。换句话说,卡尔曼滤波器简介——α−β−γ滤波器 是预测状态或外推状态
是时间 处 的估计值(估计值是在进行测量 后进行的)
    是先验预测 - 时间 处状态的估计值。预测是在 时进行的

              注意:在文献中,变量上的插入符号(或帽子)表示估计值。

        这个例子中的动态模型是静态的(或恒定的),因为黄金的重量不会随时间变化,因此卡尔曼滤波器简介——α−β−γ滤波器

        虽然上述等式在数学上是正确的,但对于实现来说并不实用。为了估计 ,我们需要记住所有历史测量值;因此,我们需要一个大内存。如果我们想在每次新测量后更新估计值,我们还需要反复重新计算平均值。因此,我们需要一个更强大的CPU。

        仅保留最后一个估计值并在每次新测量后更新它会更实用。下图举例说明了所需的算法:

  • 根据测量和先前的预测估计当前状态。
  • 使用动态模型根据当前状态估计预测下一个状态。

卡尔曼滤波器简介——α−β−γ滤波器

我们可以使用一个小的数学技巧来修改平均方程以满足我们的需要:

笔记
卡尔曼滤波器简介——α−β−γ滤波器 平均公式: 测量值的总和除以
卡尔曼滤波器简介——α−β−γ滤波器 测量值加上最后一个测量值的总和除以
卡尔曼滤波器简介——α−β−γ滤波器 扩大
卡尔曼滤波器简介——α−β−γ滤波器 乘除项
卡尔曼滤波器简介——α−β−γ滤波器 重新排序
“橙色”项是先验估计值
卡尔曼滤波器简介——α−β−γ滤波器 重写总和
卡尔曼滤波器简介——α−β−γ滤波器 分配术语
卡尔曼滤波器简介——α−β−γ滤波器 重新安排

         是 在时间  的估计状态,基于时间。

 让        我们找到 (时间 的预测状态) , 基于 (n - 1 时的估计  )。换句话说,我们想将 外推到时间  n 。

        由于此示例中的动态模型是静态的,因此 x 的预测状态等于  x 的估计状态:。

        基于上述,当前状态 的估计可以写成如下:

卡尔曼滤波器简介——α−β−γ滤波器

上述方程是五个卡尔曼滤波方程之一。它被称为状态更新方程。它的含义如下:

卡尔曼滤波器简介——α−β−γ滤波器

        因子 特定于我们的示例。我们稍后会讨论这个因子的重要作用,但现在,我想指出的是,在“卡尔曼滤波语言”中,这个因子被称为因素。它用 表示。下标  n 表示卡尔曼增益可以随着每次迭代而变化。

        的发现是鲁道夫·卡尔曼的重要贡献之一。

         在我们进入卡尔曼滤波器之前,我们使用希腊字母而不是 。

        因此,状态更新公式如下所示:

卡尔曼滤波器简介——α−β−γ滤波器

        术语 ( )是“测量残差”,也称为创新。创新包含新信息。

        在此示例中, 随着 n  的增加而减小。一开始,我们没有足够的关于当前状态的信息;因此,第一个估计基于第一个测量值   。随着我们的继续,每个连续测量在估计过程中的权重较小,因为会减少。在某些时候,新测量的贡献将变得可以忽略不计。

        让我们继续这个例子。在我们进行第一次测量之前,我们可以通过阅读金条上的印章来猜测(或粗略估计)金条重量。它被称为初始猜测,这是我们的第一个估计。

        卡尔曼滤波器需要初始猜测作为预设,这可能非常粗糙。

估计算法

下图描述了此示例中使用的估计算法。

卡尔曼滤波器简介——α−β−γ滤波器

现在我们准备开始测量和估算过程。

数值示例

迭代零

初始化

        我们对金条重量的初步猜测是 1000 克。初始猜测仅用于筛选器启动一次。因此,连续迭代不需要它。

                                        卡尔曼滤波器简介——α−β−γ滤波器

 预测

        金条的重量不应该改变。因此,系统的动态模型是静态的。我们的下一个状态估计(预测)等于初始化:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

 第一次迭代

步骤 1

使用秤进行重量测量:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

步骤 2

计算增益。在我们的示例中 ,因此:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

使用状态更新公式计算当前估计值:

        ​​​​​​​        ​​​​卡尔曼滤波器简介——α−β−γ滤波器

          注意:初始猜测可能是此特定示例中的任何数字。由于,因此在第一次迭代中消除了初始猜测。

步骤 3

        系统的动态模型是静态的;

        因此,金条的重量不应该改变。我们的下一个状态估计(预测)等于当前状态估计:

        ​​​​​​​        ​​​​​​​                                        卡尔曼滤波器简介——α−β−γ滤波器        

第二次迭代

        单位时间延迟后,上一次迭代的预测估计值将成为当前迭代中的先前估计值:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

步骤 1

对重量进行第二次测量:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

步骤 2

计算增益:

        ​​​​​​​                                        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

计算当前估计:

        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

步骤 3

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

第三次迭代

        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

第四次迭代

        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

第五次迭代

        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

第六次迭代

卡尔曼滤波器简介——α−β−γ滤波器

第七次迭代

        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

第八次迭代

        ​​​​​​​        ​​​​​​​        ​​​​​​​     卡尔曼滤波器简介——α−β−γ滤波器

第九次迭代

        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

第十次迭代

        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

        我们可以就此打住。增益随每次测量而降低。因此,每次连续测量的贡献都低于前一次测量的贡献。我们非常接近真实重量,即1000克。如果我们进行更多的测量,我们将更接近真实值。

        下表总结了我们的测量值和估计值,图表比较了测量值、估计值和真实值。

卡尔曼滤波器简介——α−β−γ滤波器

结果分析

下图比较了真实值、测量值和估计值。

卡尔曼滤波器简介——α−β−γ滤波器

        估计算法对测量值具有平滑效果,并收敛于真实值。

示例摘要

        在此示例中,我们为静态系统开发了一个简单的估计算法。我们还推导出了状态更新方程,这是五个卡尔曼滤波方程之一。我们将在下一章中修改状态更新公式。

示例 2 – 在一个维度上跟踪等速飞机

        是时候检查一个随时间改变其状态的动态系统了。在这个例子中,我们使用\( )过滤器在一个维度上跟踪一个等速飞行器。

        让我们假设一个一维的世界。我们假设飞机径向远离雷达(或朝向雷达)。在一维世界中,与雷达的角度是恒定的,飞行器高度是恒定的,如下图所示。

卡尔曼滤波器简介——α−β−γ滤波器

          表示在时间 n 到飞行器的距离。飞机速度可以使用距离微分法近似 - 测量距离随时间的变化。因此,速度是范围的导数:

卡尔曼滤波器简介——α−β−γ滤波器

        雷达以恒定速率向目标方向发送跟踪波束。轨迹到轨迹间隔为 。

        两个运动方程描述了等速运动的系统动力学模型:

卡尔曼滤波器简介——α−β−γ滤波器

        根据这些方程,飞机在下一个航迹周期的航程等于当前航迹周期的航程加上目标速度乘以航迹间间隔。由于我们在这个例子中假设速度是恒定的,所以下一个周期的速度等于当前周期的速度。

        上述方程组称为状态外推方程(也称为转移方程或预测方程),也是五个卡尔曼滤波方程之一。该方程组将当前状态外推到下一个状态(预测)。

        我们已经在前面的示例中使用了状态外推方程,其中我们假设下一个状态的权重等于当前状态的权重。

        状态外推方程取决于系统动力学,并且因示例而异。

        在矩阵表示法中,状态外推方程有一般形式。我们稍后再学习。

        在这个例子中,我们使用上面特定于我们情况的方程。

 注意:我们已经学习了五个卡尔曼滤波方程中的两个:
  •     状态更新公式
    • 状态外推方程

       

 现在,我们将修改示例的状态更新公式。

 过滤器

        设雷达轨迹到轨迹 ( ) 周期为 5 秒。假设在时间 n-1 ,无人机(无人机)的估计射程为30,000m,估计无人机速度为40m/s。 

        使用状态外推方程,我们可以预测时间 n 的目标位置:

              卡尔曼滤波器简介——α−β−γ滤波器

        时间  n 的目标速度预测:

                                卡尔曼滤波器简介——α−β−γ滤波器

        然而,在时间(n),雷达测量的距离()为30,110m,而不是预期的30200m。预期(预测)距离与测量距离之间存在 90m 的差距。造成这种差距的可能原因有两个:

  • 雷达测量不精确
  • 飞机速度发生了变化。新的飞机速度为:
  • 卡尔曼滤波器简介——α−β−γ滤波器

        这两种说法中哪一种是正确的?

        让我们写下速度的状态更新方程:

卡尔曼滤波器简介——α−β−γ滤波器

        因子 的值取决于雷达的精度水平。假设雷达的   精度为 20m。预测距离和测量距离之间的 90 米差距很可能是由于飞机速度的变化造成的。在这种情况下,我们应该将因子设置为高值。如果我们设置 = 0.9,那么估计的速度将是:  

卡尔曼滤波器简介——α−β−γ滤波器

        另一方面,假设雷达的 精度为 150m。那么90米的差距可能是雷达测量误差造成的。在这种情况下,我们应该将 因子设置为较低的值。如果我们设置 = 0.1,那么估计的速度将是:

卡尔曼滤波器简介——α−β−γ滤波器

        如果飞机速度从 40m/s 变为 22m/s,我们在 10 个轨迹循环后看到这一点(运行上述等式 10 次, = 0.1)。如果间隙是由测量误差引起的,则连续测量将在预测位置的前面或后面。因此,平均而言,目标速度不会改变。

        飞机位置的状态更新公式类似于上一示例中推导的公式:

卡尔曼滤波器简介——α−β−γ滤波器

        与前面的示例不同,在每次迭代中重新计算 (  ),在此示例中, 因子是常数。

        因子的大小取决于雷达测量精度。对于高精度雷达,我们应该选择高,赋予测量高权重。如果 = 1 ,则估计距离等于测量距离:

                                卡尔曼滤波器简介——α−β−γ滤波器

        如果  = 0 ,则测量没有意义:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

         因此,我们推导出了一个方程组,它构成了雷达跟踪器的状态更新方程。它们也称为 轨迹更新方程式或 轨迹滤波方程

                         位置的状态更新公式:

卡尔曼滤波器简介——α−β−γ滤波器

                     速度的状态更新方程:
卡尔曼滤波器简介——α−β−γ滤波器
        注意:在某些书籍中, 过滤器称为 注意:在某些书籍中,,其中希腊字母 替换为英文字母 g,英文字母 h 替换希腊字母
        注意:在这个例子中,我们从距离测量值 得出飞机速度。现代雷达可以直接使用多普勒效应测量径向速度。但是,我的目标是解释卡尔曼滤波器,而不是雷达操作。因此,为了概括起见,我将继续从我们示例中的距离测量中推导出速度。

估计算法

        下图描述了此示例中使用的估计算法。

卡尔曼滤波器简介——α−β−γ滤波器

        与前面的示例不同,此示例给出了增益值 和。对于卡尔曼滤波器,和被卡尔曼增益替换,卡尔曼增益在每次迭代时计算,但我们稍后会学习。

        现在我们准备开始一个数值示例。

数值示例

        考虑一维世界中的飞机径向向(或远离)雷达移动。

         过滤器参数为:

       轨迹到轨迹的间隔为 5 秒。

        注意:在本例中,我们使用不精确的雷达和低速目标(UAV)来更好地表示图形。雷达在现实生活中通常更精确,目标可以更快。

迭代零

初始化

给出时间 的初始条件:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

         注意:轨迹启动(或我们如何获得初始条件)是一个重要的主题,稍后将讨论。现在,我们的目标是了解基本的过滤器操作,所以让我们假设初始条件是由其他人给出的。

预测

        初始猜测应使用状态外推方程外推到第一个周期 ( ):

卡尔曼滤波器简介——α−β−γ滤波器

 第一次迭代

在第一个循环 () 中,初始猜测是先验估计:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

  步骤 1

雷达测量飞机航程:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​卡尔曼滤波器简介——α−β−γ滤波器

步骤 2

使用状态更新公式计算当前估计值:

卡尔曼滤波器简介——α−β−γ滤波器

 步骤 3

使用状态外推方程计算下一个状态估计值:

        卡尔曼滤波器简介——α−β−γ滤波器

 第二次迭代

单位时间延迟后,上一次迭代的预测估计值将成为当前迭代中的先前估计值:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

 步骤 1

雷达测量飞机航程:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

 步骤 2

使用状态更新公式计算当前估计值:

卡尔曼滤波器简介——α−β−γ滤波器

步骤 3

使用状态外推方程计算下一个状态估计值:

        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

 第三次迭代

        卡尔曼滤波器简介——α−β−γ滤波器

 第四次迭代

        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

 第五次迭代

卡尔曼滤波器简介——α−β−γ滤波器

 第六次迭代

                卡尔曼滤波器简介——α−β−γ滤波器

 第七次迭代

        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

 第八次迭代

卡尔曼滤波器简介——α−β−γ滤波器

第九次迭代

卡尔曼滤波器简介——α−β−γ滤波器

第十次迭代

卡尔曼滤波器简介——α−β−γ滤波器

下表总结了我们的测量和估计值。

卡尔曼滤波器简介——α−β−γ滤波器

结果分析

下图比较了真实值、测量值和估计值。

卡尔曼滤波器简介——α−β−γ滤波器

        我们的估计算法对测量值具有平滑效果,并收敛到真实值。

使用高 和

        下图描述了 = 0.8 和 = 0.5  的真实值、测量值和估计值。

卡尔曼滤波器简介——α−β−γ滤波器

        此过滤器的“平滑”程度要低得多。“当前估计值”非常接近测量值,预测估计误差相对较高。

        那么,我们是否应该始终为 和 选择低值?

        答案是否定的。 和 的值应取决于测量精度。如果我们使用高精度设备,如激光雷达,我们更喜欢高  跟随测量。在这种情况下,滤波器将快速响应目标的速度变化。另一方面,如果测量精度较低,我们更喜欢低   。在这种情况下,滤波器可以平滑测量中的不确定性(误差)。然而,滤波器对目标速度变化的反应会慢得多。

示例摘要

        我们推导出了过滤器状态更新公式。我们还学习了状态外推方程。我们开发了一种基于滤波器的一维动态系统估计算法,并求解了一个恒速目标的数值示例。

示例 3 – 在一个维度上跟踪加速的飞机

        在这个例子中,我们使用滤波器跟踪以恒定加速度移动的飞机。

        在前面的示例中,我们跟踪了以 40m/s 的恒定速度移动的无人机。下图描述了目标范围和速度与时间的关系。

卡尔曼滤波器简介——α−β−γ滤波器

        如您所见,距离函数是线性的。

        现在让我们检查一下战斗机。这架飞机以50m/s的恒定速度移动20秒。然后飞机以8m/s的恒定加速度加速2再过 35 秒。

        下图描述了目标距离、速度和加速度与时间的关系。

卡尔曼滤波器简介——α−β−γ滤波器

        从图表中可以看出,飞机速度在前 20 秒内保持不变,然后线性增长。距离在前 20 秒线性增长,然后二次增长。

        我们将使用上一个示例中使用的过滤器跟踪这架飞机。

数值示例

        考虑一维世界中的飞机径向向(或远离)雷达移动。

过滤器参数为:

        轨迹到轨迹的间隔为 5 秒。

迭代零

初始化

        给出时间 的初始条件:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

        注意:轨迹启动(或我们如何获得初始条件)是一个重要的主题,稍后将讨论。现在,我们的目标是了解基本的 过滤器操作,所以让我们假设初始条件是由其他人给出的。

预测

初始猜测应使用状态外推方程外推到第一个循环 ( n=1  ):

卡尔曼滤波器简介——α−β−γ滤波器

迭代 1-10

下表汇总了所有滤波器迭代:

卡尔曼滤波器简介——α−β−γ滤波器

结果分析

        以下图表比较了前 75 秒范围内和速度的真实值、测量值和估计值。

卡尔曼滤波器简介——α−β−γ滤波器

卡尔曼滤波器简介——α−β−γ滤波器

        您可以看到真实值或测量值与估计值之间存在恒定的差距。该间隙称为滞后误差。滞后错误的其他常见名称包括:

  • 动态误差
  • 系统误差
  • 偏置误差
  • 截断错误

        在加速期间出现滞后错误。在加速周期之后,滤波器关闭间隙并收敛到真实值。但是,显著的滞后误差可能导致目标损耗。滞后误差在某些应用中是不可接受的,例如导弹制导或防空。

示例摘要

        我们已经检查了目标加速度引起的滞后误差。

示例 4 – 使用滤波器跟踪加速的飞机

        在这个例子中,我们使用 过滤器跟踪飞机。

        飞机以恒定的加速度移动。

过滤器

        滤波器(有时称为 g-h-k 滤波器)考虑目标加速度。

        因此,状态外推方程变为:

卡尔曼滤波器简介——α−β−γ滤波器
    其中是加速度  x  的二阶导数)。

        状态更新公式变为:

卡尔曼滤波器简介——α−β−γ滤波器

数值示例

        让我们以前面示例中的场景为例:一架飞机以 50m/s 的恒定速度移动 20 秒,然后以 8m/s 的恒定加速度加速2再过 35 秒。

过滤器参数为:

        轨迹到轨迹的间隔为 5 秒。

         注意:我们使用不精确的雷达和低速目标来获得更好的图形表示。雷达在现实生活中通常更精确,目标可以更快。

迭代零

初始化

给出时间 n=0 的初始条件:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

预测

        初始猜测应使用状态外推方程外推到第一个周期 ( n=1 ):

卡尔曼滤波器简介——α−β−γ滤波器

第一次迭代

        在第一个循环 ( n=1) 中,初始猜测是先验估计:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

步骤 1

        雷达测量飞机航程:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​卡尔曼滤波器简介——α−β−γ滤波器

步骤 2

        使用状态更新公式计算当前估计值:

卡尔曼滤波器简介——α−β−γ滤波器

步骤 3

        使用状态外推方程计算下一个状态估计值:

卡尔曼滤波器简介——α−β−γ滤波器

第二次迭代

        在单位时间延迟之后,来自上述迭代的预测估计值将成为当前迭代中的先前估计值。

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

步骤 1

        雷达测量飞机航程:

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        卡尔曼滤波器简介——α−β−γ滤波器

步骤 2

        使用状态更新公式计算当前估计值:

卡尔曼滤波器简介——α−β−γ滤波器

步骤 3

        使用状态外推方程计算下一个状态估计值:

卡尔曼滤波器简介——α−β−γ滤波器

 迭代 3-10

        下表汇总了连续迭代的计算:

卡尔曼滤波器简介——α−β−γ滤波器

结果分析

        以下图表比较了前 50 秒的范围、速度和加速度的真实值、测量值和估计值。

卡尔曼滤波器简介——α−β−γ滤波器

卡尔曼滤波器简介——α−β−γ滤波器

卡尔曼滤波器简介——α−β−γ滤波器

示例摘要

        如您所见,具有包含加速度的动态模型方程的滤波器可以以恒定加速度跟踪目标并消除滞后误差。

        但是在机动目标的情况下会发生什么?目标可以通过机动突然改变飞行方向。目标的动态模型还可以包括颠簸(改变加速度)。在这种情况下,具有常量系数的滤波器会产生估计误差,并且在某些情况下会丢失目标轨迹。

         卡尔曼滤波器可以处理动态模型中的不确定性。这是我们的下一个主题,紧随总结之后。

过滤器的摘要

  有许多类型的 过滤器,它们基于相同的原理:  

  • 当前状态估计基于状态更新公式。
  • 以下状态估计(预测)基于动态模型方程。

        这些滤波器之间的主要区别在于权重系数的选择 。某些过滤器类型使用恒定加权系数;其他人计算每个过滤器迭代(周期)的加权系数。

         选择、 和对于估计算法的正确功能至关重要。

参数应该是什么?

         我将 滤波器描述为卡尔曼滤波器的介绍,因此,我不会讨论这个主题。好奇的读者可以找到许多关于这个主题的书籍和论文。作为参考,我会推荐以下内容:

         德克·坦纳,塔伦拉杰·辛格。“ 滤波器的优化设计”。纽约州立大学布法罗分校。

         另一个重要问题是过滤器的启动,即为第一次过滤器迭代提供初始值。

以下列表包括最流行的滤波器: 

  • 维纳过滤器
  • 贝叶斯滤波器
  • 衰落记忆多项式滤波器
  • 扩展内存(或增长内存)多项式滤波器
  • 最小二乘过滤器
  • 本尼迪克特-博德纳滤波器
  • 集总过滤器
  • 折扣最小二乘 \( \alpha -\beta \) 过滤器
  • 临界阻尼 \( \alpha -\beta \) 滤波器
  • 增长内存筛选器
  • 卡尔曼滤波器
  • 扩展卡尔曼滤波器
  • 无味卡尔曼滤波器
  • 扩展复数卡尔曼滤波器
  • 高斯-埃尔米特卡尔曼滤波器
  • 古巴卡尔曼滤波器
  • 粒子过滤器

        我希望写一个关于其中一些过滤器的教程。但本教程是关于卡尔曼滤波器的,这是以下示例的主题。文章来源地址https://www.toymoban.com/news/detail-427793.html

到了这里,关于卡尔曼滤波器简介——α−β−γ滤波器的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 卡尔曼滤波器(目标跟踪一)(上)

    本文主要是针对目标跟踪算法进行一个学习编码,从比较简单的卡尔曼滤波器开始,到后面的deepsort 和最后与yolo算法进行整合,到最后手动实现目标跟踪框架的流程进行。本着,无法造轮子就没有彻底理解的原则进行学习。那么废话不多说开始了。(收藏点赞?VIP:Free,白嫖

    2024年02月08日
    浏览(51)
  • 【状态估计】基于卡尔曼滤波器和扩展卡尔曼滤波器用于 INS/GNSS 导航、目标跟踪和地形参考导航研究(Matlab代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果  2.1 算例1 ​ 2.2 算例2  2.3 算例3 🎉3 参

    2024年02月11日
    浏览(51)
  • 卡尔曼滤波器的定义,实例和代码实现

    卡尔曼滤波器(Kalman filter)是一种高效的递归滤波器, 能够从一系列包含噪音的测量值中估计动态系统的状态. 因为不需要存储历史状态, 没有复杂计算, 非常适合在资源有限的嵌入式系统中使用. 常用于飞行器的导引, 导航及控制, 机械和金融中的时间序列分析, 轨迹最佳化等. 卡

    2024年03月09日
    浏览(49)
  • 卡尔曼滤波器原理讲解及其matlab实现

    目录 一:卡尔曼滤波器的信号模型[1-2] 二:其他方程及变量介绍 三:卡尔曼滤波器递推公式 四:matlab仿真[3] 参考文献: 引言:在进行一些信号处理的过程中,我们通常会采集到一些数据,但是实际测量到的数据是受到噪声干扰了之后的,故与真实的数据有一些偏差。因此

    2023年04月08日
    浏览(45)
  • 【状态估计】粒子滤波器、Σ点滤波器和扩展/线性卡尔曼滤波器研究(Matlab代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 2.1 扩展卡尔曼滤波 2.2 线性卡尔曼滤波 

    2024年02月09日
    浏览(42)
  • 1. 简明误差卡尔曼滤波器(ESKF)及其推导过程

    本文主要介绍一种特殊正交群 SO(3) text{SO(3)} SO(3) 上的 ESKF(Error State Kalman Filter, 误差卡尔曼滤波器) (有时也叫做 流形上的ESKF )推导过程。 在现代的大多数 IMU 系统中,人们往往使用 误差状态卡尔曼滤波器(Error State Kalman Filter, ESKF) ,而非 原始状态的卡尔曼滤波器 。大部

    2024年02月06日
    浏览(78)
  • 【状态估计】基于线性卡尔曼滤波器和粒子滤波器无人机估计地形高度(Matlab代码实现)

      💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码实现 本文模

    2024年02月16日
    浏览(46)
  • 了解卡尔曼滤波器4--非线性状态估算器(EKF,UKF,PF)

            一般来说,我们希望我们的生活是线性的,就像这条线,这可能表示成功、收入或者幸福。但实际上,生活并不是线性的,它充满了起伏,有时甚至更复杂。         如果您是工程师,您经常会需要处理非线性系统,为了帮助您,我们将讨论非线性状态估算器

    2023年04月20日
    浏览(54)
  • 基于自适应扩展卡尔曼滤波器(AEKF)的锂离子电池SOC估计(附MATLAB代码)

    AEKF_SOC_Estimation函数使用二阶RC等效电路模型(ECM)和自适应扩展卡尔曼滤波器(AEKF)估计电池的端电压(Vt)和充电状态(SOC)。该函数将以下内容作为输入:  · 电流(A) · 电压(V) · 温度(℃) 该函数的输出为: ·  估计SOC · 估计电压Vt · 电压Vt误差 加载电池模型参数以及不

    2023年04月23日
    浏览(44)
  • 使用环境中的视觉地标和扩展卡尔曼滤波器定位移动机器人研究(Matlab代码实现)

     💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码及文章 本文

    2024年02月10日
    浏览(55)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包