提到卡尔曼,不得不说一个故事:

       片绿油油的草地上有一条曲折的小径,通向一棵大树.一个要求被提出:从起点沿着小径走到树下.

     “很简单.” A说,于是他丝毫不差地沿着小径走到了树下.

      现在,难度被增加了:蒙上眼。

     “也不难,我当过特种兵。” B说,于是他歪歪扭扭地走到了树旁。“唉,好久不练,生疏了。” (只凭自己的预测能力)

     “看我的,我有 DIY 的 GPS!” C说,于是他像个醉汉似地歪歪扭扭的走到了树旁。“唉,这个 GPS 没做好,漂移太大。”(只依靠外界有很大噪声的测量)

     “我来试试。” 旁边一也当过特种兵的拿过 GPS, 蒙上眼,居然沿着小径很顺滑的走到了树下。(自己能预测+测量结果的反馈)

   “这么厉害!你是什么人?”

   “卡尔曼 ! ”

   “卡尔曼?!你就是卡尔曼?”

 众人大吃一惊。

 “我是说这个 GPS 卡而慢。

 

  总结就是预测+测量更新。

 卡尔曼滤波的测量更新部分是由最小二乘推导而来。

今天主要说明卡尔曼增益的Kt如何去理解?

       卡尔曼主要来处理如下两个来源的数据:

    (1)根据模型来预测出的数据。(预测)

        (2)传感器观测到的数据。(观测)

      核心:

       K越小越相信你的预测(1)中的估计,

       K越大越相信你的观测(2)中的观测。

       K的值和传感器的精度有关。依赖于按个传感器更缺。

         

       

 

                                                                                                                                                         20200820

------------------------------------------------------------------------------我是分割线---------------------------------------------- ---------------------

      我们从另一个角度理解卡尔曼滤波算法,假设你的传感器和预测模型的噪声均满足正高斯正态分布,看下面图片:

       

      显然你可以看到两个正态分布相乘,带P下坠的代表预测满足的噪声正态分布,带m下标的表示是传感器测量噪声所满足的正态分布。这两个预测和测量是独立事件。

 整理后得到上述的式子。我们会得到如下分析:

           (1)δp越大时,k越大,这样对于预测来说它的噪音的不确定性变大,所以我们相信更传感器的测量值。

              (2) δp越小的时候,k越小,这样对于预测来说它的噪音不确定性变小,所以我们更相信预测的值。

              现在,我们把一维推广到高维,用矩阵表示:

               比如高维情况下卡尔曼增益K=P*Ht*(R+HPHt)(图中绿框地方),这个式子与正好对应。P是预测的方差,H是观测矩阵,R是传感器测量满组方差。其余也是一一对应的。

                                                                                                                                                                                          20200822