kalman滤波器公式的推导

卡尔曼滤波的使用范围:

该系统要有如下关系:

计算步骤:

PART0:INI

PART1:Time update

迭代的目标:从X(K-1)+ 求得X(K) +

因此,先有X(K-1)+,已知F,G。得到X(K) -。再由K(k),y(k) 求得X(K)+。

但是K(k)需要P(K)-,P(K)-需要从(K-1)+得到。所以要算P(k)-。

为了保证迭代的继续还要计算P(K)+。

第一公式是假设:linear discrete-time system

第二公式推导:

此时只有先验概率

Part2 Measure Update(ONLY FOR XK+)

第三公式的推导:

此时由于有了观测量,因此有了后验概率

第二公式的推导:说明 I-KH要对称,且K要对称。

为了使得Pk最小,Kk必须与Pk-1配合使用。与前一个状态相关。

时间: 2024-08-24 20:31:04

kalman滤波器公式的推导的相关文章

Kalman滤波器从原理到实现

转载请注明出处:http://xiahouzuoxin.github.io/notes Kalman滤波器的历史渊源 We are like dwarfs on the shoulders of giants, by whose grace we see farther than they. Our study of the works of the ancients enables us to give fresh life to their finer ideas, and rescue t

Kalman滤波器原理和实现

Kalman滤波器原理和实现 kalman filter Kalman滤波器的直观理解[1] 假设我们要测量一个房间下一刻钟的温度.据经验判断,房间内的温度不可能短时大幅度变化,也就是说可以依经验认为下一刻钟的温度等于现在的温度.但是经验是存在误差的,下一刻的真实温度可能比我们预测温度上下偏差几度,这个偏差可以认为服从高斯分布.另外我们也可以使用温度计测量温度,但温度计测量的是局部空间的温度,没办法准确的度量整间房子的平均温度.测量值和真实值得偏差也认为服从高斯分布. 现在希望由经验的预测温度和

【计算机视觉】基于Kalman滤波器的进行物体的跟踪

预估器 我们希望能够最大限度地使用測量结果来预计移动物体的运动. 所以,多个測量的累积能够让我们检測出不受噪声影响的部分观測轨迹. 一个关键的附加要素即此移动物体运动的模型. 有了这个模型,我们不仅能够知道该移动物体在什么位置,同一时候还能够知道我们观察支持模型的什么參数. 该任务分为两个阶段.在第一阶段,即预測阶段.用从过去得到的信息进一步修正模型以取得人或物体的下一个将对出现的位置.在第二阶段,即校正阶段,我们获得一个測量.然后与基于前一次測量的预測值(即模型)进行调整.完毕两个阶段预计任务

运动目标跟踪中kalman滤波器的使用

目标跟踪的kalman滤波器介绍 Kalman滤波器是通过前一状态预测当前状态,并使用当前观测状态进行校正,从而保证输出状态平稳变化,可有效抵抗观测误差.因此在运动目标跟踪中也被广泛使用.在视频处理的运动目标跟踪里,每个目标的状态可表示为(x,y,w,h),x和y表示目标位置,w和h表示目标宽高.一般地认为目标的宽高是不变的,而其运动速度是匀速,那么目标的状态向量就应该扩展为(x,y,w,h,dx,dy),其中dx和dy是目标当前时刻的速度.通过kalman滤波器来估计每个时刻目标状态的大致过程

终于成功仿了一次Kalman滤波器

终于成功仿了一次Kalman滤波器 首先是测试了从网上down的一段代码 % KALMANF - updates a system state vector estimate based upon an% observation, using a discrete Kalman filter.%% Version 1.0, June 30, 2004%% This tutorial function was written by Michael C. Kleder% (Comments are 

排列组合的一些公式及推导

排列数公式 \[A_n^m=n(n-1)(n-2)\cdots(n-m+1)=\frac{n!}{(n-m)!}\] (规定\(0!=1\)) 推导:把\(n\)个不同的元素任选\(m\)个排序,按计数原理分步进行: 取第一个:有\(n\)种取法: 取第二个:有\((n-1)\)种取法: 取第三个:有\((n-2)\)种取法:? -- 取第\(m\)个:有\((n-m+1)\)种取法: -- 最后一步,取最后一个:有\(1\)种取法. 根据分步乘法原理,得出上述公式. 组合数公式 \[C_n^m

蔡勒(Zeller)公式及其推导:快速将任意日期转换为星期数

0. 本文的初衷及蔡勒公式的用处 前一段时间,我在准备北邮计算机考研复试的时候,做了几道与日期计算相关的题目,在这个过程中我接触到了蔡勒公式.先简单的介绍一下蔡勒公式是干什么用的. 我们有时候会遇到这样的问题:看到一个日期想知道这一天是星期几,甚至看到一个历史日期或纪念日,我们想快速的知道这一天是星期几.对于这个问题,如果用编程的方式,应该怎么实现呢?你可能已经有思路了,比如你知道某个日期是星期几,把这个日期作为原点,然后计算目标日期和这个原点之间相差多少天,再除以 7 求余数,最后通过余数判断

卡尔曼滤波器的简单推导

本文将简单推导卡尔曼滤波器的预测和更新公式.为了简单,使用标量(一维向量)而不是向量,并且假设系统没有输入. 系统状态的理论值如下: $x_k=\Phi_k x_{k-1}+w_k$ 但是由于过程噪声和观测噪声的存在,系统状态的真实值是不可知的.但我们仍可以根据以下思路,尽量跟踪真实值: 1) 状态转换系数是已知的,因此我们可以根据上一状态得到当前状态的先验估计: $\hat{x}_k^-=\Phi_k \hat{x}_{k-1}$ 2) 将对当前状态的先验估计$\hat{x}_k^-$变换到对

Kalman Filter的数学推导

关于Kalman Filter,有一篇很好的入门文章,建议先通读: Understanding the Basis of the Kalman Filter Via a Simple and ... 不过这篇文章只推导了一元分布的情况,对多元分布的情况只是简单地写出结论.因此这里给出推导过程. 预备知识1:多元正态分布 多元正态分布$N(\mu,\Sigma)$的分布密度函数为: $p(x)=\frac{1}{(2\pi)^{\frac{k}{2}}|\Sigma|^{\frac{1}{2}}}