场景:晚上你需要从自己的卧室去上厕所,你知道家里的布局,了解自己的步长,但是没有灯。你如何才能走到厕所呢?
一些术语
- “预测” = “估计”。下面所说的预测和估计就是一回事。不同博客里面这两个词语大概意思也是一致的。
比如,你摸黑走了10步,你“估计”你“大概”到了。 - “观测”。当你摸黑走了10步,就要放水了。但你开了一下灯,想确定一下,发现自己还差一步。这就是观测的过程。
- 总结:下面这张图(来源:link)中有四个变量都是要估计的。
- x_k^ : 你估计自己大概率处于10步的位置。
- Pk:你不太确定,但是估计距离马桶也就半步的误差,可以直接放水了。
- x_k^’ : 你开灯,发现自己才走到大概9步的位置,不能放水。
- Pk’ : 你比较确定自己的方位“大概”在9步的位置,比摸黑估计的 Pk 小多了。
- 我们的卡尔曼滤波就是“预测”和“观测”的结合。思路是“预测”提供初值,观测进行优化。
一、直接目的:五个公式
1.1 第一个公式
这个k就是你的步数,xk^ 就是你的位置,Fk 就是你估计自己一步走多远。后面的那个 u,其实是加速度。因为论文中的xk不仅仅表示位置,还有速度。但是我们这里假设你摸黑走路是匀速的,先不管他。
1.2 第二个公式
一开始 k = 0 的时候,你是在卧室(原点,x=0)。但是你走着走着你越来越担心自己走偏了。这就反映在方差上,也就是第二个式子。因为你状态变换的时候乘了一个 Fk,所以你的方差会乘 Fk 的平方。Qk 有博客说是: 外部不确定性(你穿拖鞋可能打滑了,但是你不知道)。但我暂时不知道应该如何计算 Qk,先不管。
1.3 中间休息一会
上面的都是高中物理和高中概率论,而且都是你单纯依据“预测”进行的,接下来要开个灯进行“观测”,确定一下你的位置(就是优化一下)。接下来重头戏来了,第三个公式莫名来了个H?这是什么?
1.4 第三个公式
这个公式是真的不好理解。
1.4.1 转换矩阵的引入
转换矩阵Hk:将小车的状态数据转换到传感器数据层。(?H如何计算呢?)
有博客1 这样说的:
稍微解释一下,这里的
- u,可以理解为:当我走了10步的时候(x_k^=10),我应该看到马桶(u= 马桶)。这个H其实是你大脑把10步的信息转换成了马桶的图片。
- 方差:看到的马桶可大可小,不太确定。
1.4.2 开灯前后的对比
在开灯前,我们有以下分布:
- 分布1:我们的预测(均值 = 大概会看到马桶,方差 = 马桶大小可以变)。
在开灯后,我们有:
- 分布2:实际的分布(实际均值,实际方差);我看了一下,这个实际均值和实际方差是指传感器的均值和方差。(这里我也不太清楚,如何依据一个照片来算这两个值,先放放)。
注意,上面两个分布都是完全知道的,而且描述的都是一个东西,博客1 采用的方法是:相乘!(意义是什么呢?)可以参考这张图。
比如你有一个数据(Z1,Z2),这个可能更靠近红色的中心(概率更大),也可能靠近绿色中心。要兼顾两种,那只能乘起来了(有点牵强,但是好像是有道理的,先不管,反正这样做可行)。文章来源:https://www.toymoban.com/news/detail-619301.html
1.4.3 正式开始公式3的推导
经过上面的讨论,我们确定了目标:已知两个正太分布,求两个分布的乘积的分布。这个容易,大学概率论基础,我们直接给出新分布的均值和方差。
注意,我们把新的均值写成:u’ = 老的估计均值 + 更新量 的形式。然后就是重点了,把卡尔曼滤波前两个公式放到这个概率论的结果中:
上图中的三个公式就是公式 3 4 5!所以完结了!文章来源地址https://www.toymoban.com/news/detail-619301.html
到了这里,关于【简历完善】- SLAM - 第一篇:卡尔曼滤波的学习的文章就介绍完了。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!