卡爾曼濾波簡介和實例講解

1、實用標準文案精彩文檔卡爾曼，美國數(shù)學家和電氣工程師。1930 年 5 月 19 日生于匈牙利首都布達佩斯。1953 年在美國麻省理工學院畢 業(yè)獲理學士學位，1954 年獲理學碩士學位，1957 年在哥倫比亞大學獲科學博士學位。1957 1958 年在國際商業(yè)機 器公司(IBM)研究大系統(tǒng)計算機控制的數(shù)學問題。19581964 年在巴爾的摩高級研究院研究控制和數(shù)學問題。19641971 年到斯坦福大學任教授。1971 年任佛羅里達大學數(shù)學系統(tǒng)理論研究中心主任，并兼任蘇黎世的瑞士 聯(lián)邦高等工業(yè)學校教授。1960 年卡爾曼因提出著名的卡爾曼濾波器而聞名于世?？柭鼮V波器在隨機序列估計、 空間技術、工

2、程系統(tǒng)辨識和經(jīng)濟系統(tǒng)建模等方面有許多重要應用。1960 年卡爾曼還提出能控性的概念。能控性是控制系統(tǒng)的研究和實現(xiàn)的基本概念，在最優(yōu)控制理論、穩(wěn)定性理論和網(wǎng)絡理論中起著重要作用。卡爾曼還利用對偶 原理導出能觀測性概念，并在數(shù)學上證明了卡爾曼濾波理論與最優(yōu)控制理論對偶。為此獲電氣與電子工程師學會 (IEEE)的最高獎榮譽獎章。卡爾曼著有數(shù)學系統(tǒng)概論(1968)等書。什么是卡爾曼濾波最佳線性濾波理論起源于 40 年代美國科學家 Wiener 和前蘇聯(lián)科學家Ko刀MoropOB等人的研究工作人統(tǒng) 稱為維納濾波理論。從理論上說，維納濾波的最大缺點是必須用到無限過去的數(shù)據(jù)，不適用于實時處理。為了克服 這一

3、缺點，60實用標準文案精彩文檔年代 Kalman 把狀態(tài)空間模型引入濾波理論，并導出了一套遞推估計算法，后人稱之為卡爾曼濾波 理論?？柭鼮V波是以最小均方誤差為估計的最佳準則，來尋求一套遞推估計的算法，其基本思想是：采用信號與 噪聲的狀態(tài)空間模型，利用前一時刻地估計值和現(xiàn)時刻的觀測值來更新對狀態(tài)變量的估計，求出現(xiàn)時刻的估計值。 它適合于實時處理和計算機運算?？柭鼮V波的實質是由量測值重構系統(tǒng)的狀態(tài)向量。它以“預測一實測一修正”的順序遞推，根據(jù)系統(tǒng)的量測 值來消除隨機干擾，再現(xiàn)系統(tǒng)的狀態(tài)，或根據(jù)系統(tǒng)的量測值從被污染的系統(tǒng)中恢復系統(tǒng)的本來面目。釋文：卡爾曼濾波器是一種由卡爾曼(Kalman )提出

4、的用于時變線性系統(tǒng)的遞歸濾波器。這個系統(tǒng)可用包含 正交狀態(tài)變量的微分方程模型來描述， 這種濾波器是將過去的測量估計誤差合并到新的測量誤差中來估計將來的誤 差?？柭鼮V波的應用斯坦利施密特(Stanley Schmidt)首次實現(xiàn)了卡爾曼濾波器.卡爾曼在 NASA 埃姆斯研究中心訪問時，發(fā)現(xiàn)他的 方法對于解決阿波羅計劃的軌道預測很有用，后來阿波羅飛船的導航電腦使用了這種濾波器.關于這種濾波器的論 文由 Swerling(1958), Kalman (I960)與 Kalman and Bucy (1961) 發(fā)表.實用標準文案精彩文檔目前,卡爾曼濾波已經(jīng)有很多不同的實現(xiàn)卡爾曼最初提出的形式現(xiàn)在一

5、般稱為簡單卡爾曼濾波器 除此以外，還 有施密特擴展濾波器，信息濾波器以及很多 Bierman, Thornton 開發(fā)的平方根濾波器的變種也行最常見的卡爾曼 濾波器是鎖相環(huán)，它在收音機，計算機和幾乎任何視頻或通訊設備中廣泛存在.卡爾曼濾波的一個典型實例是從一組有限的，對物體位置的，包含噪聲的觀察序列預測出物體的坐標位置及速度.在很多工程應用（雷達，計算機視覺）中都可以找到它的身影.同時，卡爾曼濾波也是控制理論以及控制系統(tǒng)工程 中的一個重要話題.比如，在雷達中，人們感興趣的是跟蹤目標，但目標的位置，速度，加速度的測量值往往在任何時候都有噪聲卡爾曼 濾波利用目標的動態(tài)信息，設法去掉噪聲的影響，得到

6、一個關于目標位置的好的估計。這個估計可以是對當前目標位 置的估計（濾波），也可以是對于將來位置的估計（預測），也可以是對過去位置的估計（插值或平滑）.擴展卡爾曼濾波（EKF）EXTEND KALMAN FILTER擴展卡爾曼濾波器實用標準文案精彩文檔是由 kalman filter 考慮時間非線性的動態(tài)系統(tǒng)，常應用于目標跟蹤系統(tǒng)。卡爾曼濾波是一種高效率的遞歸濾波器（自回歸濾波器）,它能夠從一系列的不完全包含噪聲的測量（英文:measureme nt）中，估計動態(tài)系統(tǒng)的狀態(tài)。簡單來說，卡爾曼濾波器是一個“ optimal recursive data processing algorithm （

7、最優(yōu)化自回歸數(shù)據(jù)處理算法）”對于解決很大部分的問題，他是最優(yōu)，效率最高甚至是最有用的。他的廣泛應用已經(jīng)超過30 年，包括機器人導航，控制，傳感器數(shù)據(jù)融合甚至在軍事方面的雷達系統(tǒng)以及導彈追蹤等等。近年來更被應用于計算機圖像處理，例如頭 臉識別，圖像分割，圖像邊緣檢測等等。卡爾曼濾波的命名這種濾波方法以它的發(fā)明者魯?shù)婪?E.卡爾曼（Rudolf E. Kalman ）命名.雖然 Peter Swerling 實際上更早提出了 一種類似的算法.卡爾曼全名 Rudolf Emil Kalman ，匈牙利數(shù)學家，1930 年出生于匈牙利首都布達佩斯。1953，1954 年于麻省 理工學院分別獲得電機工程

8、學士及碩士學位。1957 年于哥倫比亞大學獲得博士學位。我們現(xiàn)在要學習的卡爾曼濾實用標準文案精彩文檔波器，正是源于他的博士論文和 1960 年發(fā)表的論文A New Approach to Lin ear Filteri ng and PredictionProblems(線性濾波與預測問題的新方法)。如果對這編論文有興趣，可以到這里的地址下載：http:/www.es. un /welch/kalma n/media/pdf/Kalma n1960.pdf卡爾曼濾波的應用斯坦利 施密特(Stanley Schmidt)首次實現(xiàn)了卡爾曼濾波器.卡爾曼在 NASA 埃姆斯研究中心訪問時，

9、發(fā)現(xiàn)他的方法 對于解決阿波羅計劃的軌道預測很有用，后來阿波羅飛船的導航電腦使用了這種濾波器.關于這種濾波器的論文由 Swerling(1958), Kalman (1960)與 Kalman and Bucy (1961) 發(fā)表.目前,卡爾曼濾波已經(jīng)有很多不同的實現(xiàn).卡爾曼最初提出的形式現(xiàn)在一般稱為簡單卡爾曼濾波器.除此以外,還有施密特擴展濾波器，信息濾波器以及很多 Bierman, Thornton開發(fā)的平方根濾波器的變種.也行最常見的卡爾曼濾波器是鎖相環(huán)，它在收音機，計算機和幾乎任何視頻或通訊設備中廣泛存在.卡爾曼濾波的一個典型實例是從一組有限的，對物體位置的，包含噪聲的觀察序列預測出物體

10、的坐標位置及速度在很多工程應用(雷達，計算機視覺)中都可以找到它的身影.同時，卡爾曼濾波也是控制理論以及控制系統(tǒng)工程中的 一個重實用標準文案精彩文檔要話題.比如，在雷達中，人們感興趣的是跟蹤目標，但目標的位置，速度，加速度的測量值往往在任何時候都有噪聲.卡爾曼濾波利用目標的動態(tài)信息，設法去掉噪聲的影響，得到一個關于目標位置的好的估計。這個估計可以是對當前目標位置 的估計（濾波），也可以是對于將來位置的估計（預測），也可以是對過去位置的估計（插值或平滑）.實例分析為了可以更加容易的理解卡爾曼濾波器，這里會應用形象的描述方法來講解，而不是像大多數(shù)參考書那樣羅列一 大堆的數(shù)學公式和數(shù)學符號。但是，他

11、的 5 條公式是其核心內容。結合現(xiàn)代的計算機，其實卡爾曼的程序相當?shù)暮?單，只要你理解了他的那 5 條公式。在介紹他的 5 條公式之前，先讓我們來根據(jù)下面的例子一步一步的探索。假設我們要研究的對象是一個房間的溫度。根據(jù)你的經(jīng)驗判斷，這個房間的溫度是恒定的，也就是下一分鐘的溫 度等于現(xiàn)在這一分鐘的溫度（假設我們用一分鐘來做時間單位）。假設你對你的經(jīng)驗不是 100%的相信，可能會有上下偏差幾度。我們把這些偏差看成是高斯白噪聲（White Gaussian Noise ），也就是這些偏差跟前后時間是沒有關系的而且符合高斯分配（Gaussian Distribution ）。另外，我們在房間里放一個溫

12、度計，但是這個溫度計也不準 確的，實用標準文案精彩文檔測量值會比實際值偏差。我們也把這些偏差看成是高斯白噪聲。好了，現(xiàn)在對于某一分鐘我們有兩個有關于該房間的溫度值：你根據(jù)經(jīng)驗的預測值（系統(tǒng)的預測值）和溫度計的值（測量值）。下面我們要用這兩個值結合他們各自的噪聲來估算出房間的實際溫度值。假如我們要估算 k 時刻的是實際溫度值。首先你要根據(jù) k-1 時刻的溫度值，來預測 k 時刻的溫度。因為你相信溫 度是恒定的，所以你會得到 k 時刻的溫度預測值是跟 k-1 時刻一樣的，假設是 23 度，同時該值的高斯噪聲的偏差 是 5 度（5 是這樣得到的：如果 k-1 時刻估算出的最優(yōu)溫度值的偏差（估計值誤差

13、）是 3，你對自己預測的不確定度（預測誤差）是 4 度，他們平方相加再開方，就是 5）。然后，你從溫度計那里得到了 k 時刻的溫度值（測量值）， 假設是 25 度，同時該值的偏差是 4 度（測量誤差）。由于我們用于估算 k 時刻的實際溫度有兩個溫度值，分別是 23 度和 25 度。究竟實際溫度是多少呢？相信自己還 是相信溫度計呢？究竟相信誰多一點，我們可以用他們的協(xié)方差（ covarianee ）來判斷。因為KgA2=5A2/（5A2+4A2），所以 Kg=0.78，我們可以估算出 k 時刻的實際溫度值是：23+0.78*（25-23）=24.56 度?？梢钥闯?，因為溫度計的 covarian

14、ee 比較?。ū容^相信溫度計），所以估算出的最優(yōu)溫度值偏向溫度計的值?，F(xiàn)在我們已經(jīng)得到 k 時刻的最優(yōu)溫度值了，下一步就是要進入 k+1 時刻，進行新的最優(yōu)估算。到現(xiàn)在為止，好像 還沒看實用標準文案精彩文檔到什么自回歸的東西出現(xiàn)。對了，在進入k+1 時刻之前，我們還要算出 k 時刻那個最優(yōu)值（24.56 度）的偏差。算法如下：（1-Kg）*5A2）A0.5=2.35 。這里的 5 就是上面的 k 時刻你預測的那個 23 度溫度值的偏差，得出的2.35 就是進入 k+1 時刻以后 k 時刻估算出的最優(yōu)溫度值的偏差（對應于上面的3）。就是這樣，卡爾曼濾波器就不斷的把 covarianee 遞歸，從

15、而估算出最優(yōu)的溫度值。他運行的很快，而且它只保留 了上一時刻的 covarianee。上面的 Kg ,就是卡爾曼增益（Kalman Gain ）。他可以隨不同的時刻而改變他自己的 值，是不是很神奇！在學習卡爾曼濾波器之前，首先看看為什么叫“卡爾曼”。跟其他著名的理論（例如傅立葉變換，泰勒級數(shù)等等） 一樣，卡爾曼也是一個人的名字，而跟他們不同的是，他是個現(xiàn)代人！卡 爾曼全名 Rudolf Emil Kalman ，匈牙利數(shù)學家，1930 年出生于匈牙利首都布達佩斯。1953，1954 年于麻省 理工學院分別獲得電機工程學士及碩士學位。1957 年于哥倫比亞大學獲得博士學位。我們現(xiàn)在要學習的卡爾曼

16、濾波器，正是源于他的博士論文和 1960 年發(fā)表的論文A New Approach to Lin ear Filteri ng and PredictionProblems（線性濾波與預測問題的新方法）。如果對這編論文有興趣，可以到這里的地址下載：實用標準文案精彩文檔http:/www.es. un /welch/kalma n/media/pdf/Kalma n1960.pdf簡 單來說，卡爾曼濾波器是一個“ optimal recursive data processing algorithm（最優(yōu)化自回歸數(shù)據(jù)處理算法）”對于解決很大部分的問題，他是最優(yōu)，效率最高甚至是最有用的。

17、他的廣泛應用已經(jīng)超過30 年，包括機器人導航,控制，傳感器數(shù)據(jù)融合甚至在軍事方面的雷達系統(tǒng)以及導彈追蹤等等。近年來更被應用于計算機圖像處理，例如頭 臉識別，圖像分割，圖像邊緣檢測等等。2 .卡爾曼濾波器的介紹(In troductio n to the Kalma n Filter)為了可以更加容易的理解卡爾曼濾波器，這里會應用形象的描述方法來講解，而不是像大多數(shù)參考書那樣羅列一大 堆的數(shù)學公式和數(shù)學符號。但是，他的 5 條公式是其核心內容。結合現(xiàn)代的計算機，其實卡爾曼的程序相當?shù)暮唵危?只要你理解了他的那 5 條公式。在介紹他的 5 條公式之前，先讓我們來根據(jù)下面的例子一步一步的探索。假設我

18、們要研究的對象是一個房間的溫度。根據(jù)你的經(jīng)驗判斷，這個房間的溫度是恒定的，也就是下一分鐘的溫度實用標準文案精彩文檔等于現(xiàn)在這一分鐘的溫度(假設我們用一分鐘來做時間單位) 。假設你對你的經(jīng)驗不是 100%的相信，可能會有上 下偏差幾度。我們把這些偏差看成是高斯白噪聲( White Gaussian Noise )，也就是這些偏差跟前后時間是沒有關 系的而且符合高斯分配(Gaussian Distribution )。另外，我們在房間里放一個溫度計，但是這個溫度計也不準確 的，測量值會比實際值偏差。我們也把這些偏差看成是高斯白噪聲。好了，現(xiàn)在對于某一分鐘我們有兩個有關于該房間的溫度值：你根據(jù)經(jīng)驗的

19、預測值（系統(tǒng)的預測值）和溫度計的值（測量值）。下面我們要用這兩個值結合他們各自的噪聲來估算出房間的實際溫度值。假如我們要估算 k 時刻的是實際溫度值。首先你要根據(jù) k-1 時刻的溫度值，來預測 k 時刻的溫度。因為你相信溫度 是恒定的，所以你會得到 k 時刻的溫度預測值是跟 k-1 時刻一樣的，假設是 23 度，同時該值的高斯噪聲的偏差是 5 度（5 是這樣得到的：如果 k-1 時刻估算出的最優(yōu)溫度值的偏差是 3，你對自己預測的不確定度是 4 度，他們平 方相加再開方，就是 5） 。然后，你從溫度計那里得到了 k 時刻的溫度值，假設是 25 度，同時該值的偏差是 4 度。 由于我們用于估算 k

20、 時刻的實際溫度有兩個溫度值，分別是 23 度和 25 度。究竟實際溫度是多少呢？相信自己還 是相信溫度計呢？究竟相信誰多一點，我們可以用他們的covarianee 來判斷。因為 KgA2=5A2/（5A2+4A2），所以 Kg=0.78，我們可以估算出 k 時刻的實際溫度值是：23+0.78* （25-23）=24.56度?？梢钥闯觯驗闇囟扔嫷膶嵱脴藴饰陌妇饰臋ncovarianee 比較?。ū容^相信溫度計），所以估算出的最優(yōu)溫度值偏向溫度計的值。現(xiàn)在我們已經(jīng)得到 k 時刻的最優(yōu)溫度值了，下一步就是要進入k+1 時刻，進行新的最優(yōu)估算。到現(xiàn)在為止，好像還沒看到什么自回歸的東西出現(xiàn)。對了，在

21、進入k+ 1 時刻之前，我們還要算出 k 時刻那個最優(yōu)值（24.56 度）的偏差。算法如下：(1-Kg)*5八2)95=2.35。這里的 5 就是上面的 k 時刻你預測的那個 23 度溫度值的偏差，得出的 2.35 就是進入 k+1 時刻以后 k 時刻估算出的最優(yōu)溫度值的偏差(對應于上面的3)。就是這樣，卡爾曼濾波器就不斷的把covarianee 遞歸，從而估算出最優(yōu)的溫度值。他運行的很快，而且它只保留了上一時刻的 covarianee。上面的 Kg ,就是卡爾曼增益(Kalman Gain )。他可以隨不同的時刻而改變他自己的 值，是不是很神奇！下面就要言歸正傳，討論真正工程系統(tǒng)上的卡爾曼。

22、3.卡爾曼濾波器算法(The Kalman Filter Algorithm)在這一部分，我們就來描述源于 Dr Kalman 的卡爾曼濾波器。下面的描述，會涉及一些基本的概念知識，包括概 率實用標準文案精彩文檔(Probability ),隨即變量(Random Variable ),高斯或正態(tài)分配(Gaussian Distribution )還有 State-space Model 等等。但對于卡爾曼濾波器的詳細證明，這里不能一一描述。首先，我們先要引入一個離散控制過程的系統(tǒng)。該系統(tǒng)可用一個線性隨機微分方程(Lin ear Stochastic Differe nceequation )

23、來描述：X(k)=A X(k-1)+B U(k)+W(k)再加上系統(tǒng)的測量值：Z(k)=H X(k)+V(k)上兩式子中，X(k)是 k 時刻的系統(tǒng)狀態(tài)，U(k)是 k 時刻對系統(tǒng)的控制量。A 和 B 是系統(tǒng)參數(shù)，對于多模型系統(tǒng)，他 們?yōu)榫仃?。Z(k)是 k 時刻的測量值，H 是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)， H 為矩陣。W(k)和 V(k)分別表示過 程和測量的噪聲。他們被假設成高斯白噪聲(White Gaussian Noise)，他們的 covarianee 分別是 Q，R (這里我 們假設他們不隨系統(tǒng)狀態(tài)變化而變化)。對于滿足上面的條件(線性隨機微分系統(tǒng)，過程和測量都是高斯白噪聲)，

24、卡爾曼濾波器是最優(yōu)的信息處理器。下面實用標準文案精彩文檔我們來用他們結合他們的 covaria nces 來估算系統(tǒng)的最優(yōu)化輸出(類似上一節(jié)那個溫度的例子)。首先我們要利用系統(tǒng)的過程模型，來預測下一狀態(tài)的系統(tǒng)。假設現(xiàn)在的系統(tǒng)狀態(tài)是k，根據(jù)系統(tǒng)的模型，可以基于系統(tǒng)的上一狀態(tài)而預測出現(xiàn)在狀態(tài)：X(k|k-1)=A X(k-1|k-1)+B U(k) . (1)式(1)中，X(k|k-1)是利用上一狀態(tài)預測的結果，X(k-1|k-1)是上一狀態(tài)最優(yōu)的結果，U(k)為現(xiàn)在狀態(tài)的控制量，如 果沒有控制量，它可以為 0。到現(xiàn)在為止，我們的系統(tǒng)結果已經(jīng)更新了，可是，對應于 X(k|k-1)的 covaria

25、nee 還沒更新。我們用 P 表示 covarianee :P(k|k-1)=A P(k-1|k-1) A +Q . (2)式(2)中，P(k|k-1)是 X(k|k-1)(預測值)對應的 covarianee，P(k-1|k-1)是 X(k-1|k-1)(最優(yōu)值)對應的 covarianee，A表示 A 的轉置矩陣，Q 是系統(tǒng)過程的 covarianee。式子 1，2 就是卡爾曼濾波器 5 個公式當中的前兩個，也就 是對系統(tǒng)的預測。現(xiàn)在我們有了現(xiàn)在狀態(tài)的預測結果，然后我們再收集現(xiàn)在狀態(tài)的測量值。結合預測值和測量值，我們可以得到現(xiàn)在實用標準文案精彩文檔狀態(tài)(k)的最優(yōu)化估算值 X(k|k):X

26、(k|k)= X(k|k-1)+Kg(k) (Z(k)-H X(k|k-1).(3)其中 Kg 為卡爾曼增益(Kalman Gain):Kg(k)= P(k|k-1) H / (H P(k|k-1) H + R) .(4)到現(xiàn)在為止，我們已經(jīng)得到了k 狀態(tài)下最優(yōu)的估算值 X(k|k)。但是為了要另卡爾曼濾波器不斷的運行下去直到系統(tǒng)過程結束，我們還要更新 k 狀態(tài)下 X(k|k)的 covarianee :P(k|k)二(l-Kg(k) H ) P(k|k-1) .(5)其中 I 為 1 的矩陣，對于單模型單測量，1=1。當系統(tǒng)進入 k+1 狀態(tài)時，P(k|k)就是式子(2)的 P(k-1|k-

27、1)。這樣, 算法就可以自回歸的運算下去?？柭鼮V波器的原理基本描述了，式子1，2，3，4 和 5 就是他的 5 個基本公式。根據(jù)這 5 個公式，可以很容易的實現(xiàn)計算機的程序。實用標準文案精彩文檔下面，我會用程序舉一個實際運行的例子。4.簡單例子(A Simple Example )這里我們結合第二第三節(jié)，舉一個非常簡單的例子來說明卡爾曼濾波器的工作過程。所舉的例子是進一步描述第二 節(jié)的例子，而且還會配以程序模擬結果。根據(jù)第二節(jié)的描述，把房間看成一個系統(tǒng)，然后對這個系統(tǒng)建模。當然，我們見的模型不需要非常地精確。我們所知道的這個房間的溫度是跟前一時刻的溫度相同的，所以A=1。沒有控制量，所以 U(k)=0。因此得出：X(k|k-1)=X(k-1|k-1). (6)式子(2)可以改成：P(k|k-1