kalman滤波理解一:理论框架

关于kalman滤波的学习,一直不得要领,看了很多书和文章但总觉得理解不透,究其原因就是这些书和文章都是采用数学理论推导的方法,而没有从实际应用中出发,本文就将我理解的kalman滤波进行介绍,灵感来源是优达学城的无人驾驶课程,里面老师对kalman滤波的介绍让我耳目一新:

kalman滤波的理论框架是全概率法则和贝叶斯法则,在设定中假设预测和感知均有误差,且均服从正态分布,且预测过程和感知过程采用不同的概率更新策略,具体采取的策略如下所示:

  • 预测过程符合全概率法则,是卷积过程,即采用概率分布相加;
  • 感知过程符合贝叶斯法则,是乘积过程,即采用概率分布相乘;

(由于后文中有很多mathtype公式,直接复制拷贝word公式会错乱,因此公式均采用截图的方式)


以一维运动为例,假入有一个小车,开始位于x=  的位置,但是由于误差的存在,其真实分布是高斯分布,其方差是 ,即其原始位置分布是 ,当该小车经过运动,到达终点位置,但是由于运动也是不准确的(打滑等),其移动过程的分布也是高斯分布,移动分布为,那么其最终的位置分布是多少呢?

                                                                 kalman滤波理解一:理论框架_第1张图片

求预测位置符合全概率法则,即:

                                                                           

即,最终分布的均值为均值相加,方差也为方差相加,感性理解就是一个不确定的分布,经过一段不确定的移动后,其方差更大了,分布中心为两个中心和。


考虑另外一种情况,假入有一个小车,开始位于x= 的位置,但是由于误差的存在,其真实分布是高斯分布,其方差是 ,即其原始位置分布是,当时此时有一个传感器检测到该小车位于,分布方差为,那么小车的真实位置分布为多少呢?

                                                             kalman滤波理解一:理论框架_第2张图片

这是一个感知过程,其感知过程符合贝叶斯法则,其最终分布是两个分布相乘,即

                                                

感性理解就是一个不确定位置的小车,经过传感器观测,其最终位置分布方差会更小,且位置中心位于两个分布之间。


总结:当一个位置小车经过移动后,且其定位和移动过程都是高斯分布时,其最终估计位置分布会更分散,即更不准确;当一个小车经过传感器观测定位,且其定位和观测都是高斯分布时,其观测后的位置分布会更集中,即更准确。


下面将感知过程中采用贝叶斯融合分布扩展到多维模式,该公式也是kalman滤波的核心,对后面理解kalman滤波有很大的作用。

在一维模式下,融合后的均值和方差分别为:

                                                            kalman滤波理解一:理论框架_第3张图片

我们令

                                                                                  

则,

                                                                              

将该结果扩展到多维情况下,则为:

                                                                               

上式就是多维贝叶斯融合分布,该公式在下篇将kalman滤波的测量更新过程会用到。

 

 

 

你可能感兴趣的:(自动驾驶算法)