One
0%

卡尔曼滤波原理分析及对比

发表于 更新于 分类于
本文字数： 5.5k 阅读时长 ≈ 5 分钟

卡尔曼滤波器（Kalman Filter）原理简述

卡尔曼滤波器是一种用于估计动态系统状态的递归算法，特别适用于噪声较大的测量系统。它广泛应用于导航、跟踪和控制系统中。其核心思想是通过预测和更新两个步骤，结合系统模型和测量数据，提供最优的状态估计。

基本原理

卡尔曼滤波器的基本原理包括状态预测和测量更新两个步骤。它通过不断修正预测值和测量值来实现对系统状态的最优估计。

1. 系统模型

卡尔曼滤波器假设系统可以用线性模型描述，包括状态方程和观测方程：

  • 状态方程：
    其中， 是在时间 的状态向量， 是状态转移矩阵， 是控制输入矩阵， 是控制输入， 是过程噪声，假设为均值为零、协方差为 的高斯白噪声。

  • 观测方程：
    其中， 是在时间 的观测向量， 是观测矩阵， 是观测噪声，假设为均值为零、协方差为 的高斯白噪声。

2. 预测步骤

在预测步骤中，根据上一时刻的状态估计和系统模型，对当前时刻的状态进行预测：

  • 状态预测：

  • 误差协方差预测：

3. 更新步骤

在更新步骤中，利用当前时刻的观测值对预测的状态进行修正：

  • 计算卡尔曼增益：

  • 状态更新：

  • 误差协方差更新：

结论

卡尔曼滤波器通过结合系统模型的预测和实际观测的更新，提供了一个在最小均方误差意义下最优的状态估计方法。其高效的递归计算方式，使得卡尔曼滤波器在实时应用中尤为适用。

扩展卡尔曼滤波器（EKF）原理简述

扩展卡尔曼滤波器（Extended Kalman Filter，EKF）是一种用于非线性系统状态估计的滤波算法，是卡尔曼滤波器（KF）的推广。EKF通过线性化非线性系统模型来实现对系统状态的估计。

基本原理

EKF的基本原理可以分为预测和更新两个步骤，与标准卡尔曼滤波器类似，但在处理非线性系统时有所不同。具体过程如下：

1. 系统模型

非线性系统可以表示为以下状态方程和观测方程：

  • 状态方程：

  • 观测方程：

其中， 是系统在时间 的状态， 是观测值， 和 分别是过程噪声和观测噪声，假设它们是均值为零的高斯白噪声。

2. 预测步骤

在预测步骤中，利用系统的状态方程对当前状态进行预测：

  • 状态预测：

  • 误差协方差预测：

    其中， 是对状态方程 的雅可比矩阵：

3. 更新步骤

在更新步骤中，利用观测方程对预测的状态进行修正：

  • 计算卡尔曼增益：

    其中， 是对观测方程 的雅可比矩阵：

  • 状态更新：

  • 误差协方差更新：

结论

EKF通过在每一步预测和更新中线性化非线性系统模型，成功地将卡尔曼滤波器扩展到非线性系统中。尽管线性化可能引入一定误差，但在许多应用中，EKF仍然是一种有效的状态估计方法。

无迹卡尔曼滤波器（UKF）原理简述

无迹卡尔曼滤波器（Unscented Kalman Filter，UKF）是一种用于非线性系统状态估计的滤波算法。UKF通过无迹变换（Unscented Transform，UT）来处理非线性系统中的状态预测和更新，避免了扩展卡尔曼滤波器（EKF）中的线性化近似误差。

基本原理

UKF的基本原理包括状态预测和测量更新两个步骤。与EKF不同的是，UKF使用一组精心选择的采样点（sigma点）来近似状态分布，从而更准确地捕捉非线性系统的特性。

1. 系统模型

UKF假设系统可以用以下非线性状态方程和观测方程描述：

  • 状态方程：

  • 观测方程：

其中， 是系统在时间 的状态， 是控制输入， 是观测值， 和 分别是过程噪声和观测噪声，假设它们是均值为零的高斯白噪声。

2. 无迹变换

无迹变换的核心思想是通过一组sigma点来近似状态分布。这些sigma点通过以下方式生成：

  • 计算状态均值和协方差的sigma点： 其中， 是第 个sigma点， 是状态维度， 是一个缩放参数， 表示协方差矩阵的第 列的平方根。

  • 通过非线性函数传播sigma点：

  • 计算预测状态均值和协方差：

    其中， 和 是sigma点的权重。

3. 预测步骤

  • 状态预测：

  • 误差协方差预测：

4. 更新步骤

  • 计算观测sigma点：

  • 计算预测观测均值和协方差：

  • 计算状态和观测的交叉协方差：

  • 计算卡尔曼增益：

  • 状态更新：

  • 误差协方差更新：

结论

UKF通过无迹变换和sigma点来处理非线性系统中的状态预测和更新，相比EKF具有更高的精度和鲁棒性。它在很多实际应用中，如导航和跟踪系统，提供了更加准确的状态估计。

以下是卡尔曼滤波器（KF）、扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）在IMU和里程计数据融合中的对比表：

特性 卡尔曼滤波器（KF） 扩展卡尔曼滤波器（EKF） 无迹卡尔曼滤波器（UKF）
处理系统类型 线性系统 非线性系统 非线性系统
线性化方法 不需要 泰勒展开（一次线性化） 无需线性化，使用无迹变换
计算复杂度 低 中等 高
预测精度 高（线性系统） 较高（轻度非线性系统） 很高（适用于高度非线性系统）
应用范围 线性系统 广泛用于工程实际 高精度需求的非线性系统
实时性 很好 较好 适中
误差特性 无误差（线性系统） 线性化引入误差 无迹变换更准确
计算资源需求 低 中等 高
适用性（IMU和里程计） 不适用 适用 最适用

无迹卡尔曼滤波器（UKF）： - 最适用于IMU和里程计数据融合。 - 能够处理复杂的非线性系统并提供更高的精度。 - 适合在高精度需求的情况下使用，但是计算复杂度较高，需要更多计算资源。

扩展卡尔曼滤波器（EKF）： - 适用于IMU和里程计数据融合。 - 能处理非线性系统，计算复杂度较低，适合实时性要求高、计算资源有限的情况。 - 可能会因线性化过程引入误差，适用于轻度非线性系统。

卡尔曼滤波器（KF）： - 不适用于IMU和里程计数据融合。 - 仅适用于线性系统，无法处理IMU和里程计融合中的非线性问题。

参考资料