卡尔曼滤波之最优状态估计和最优状态估计算法
1. 最优状态估计
情景1：假设一个一个比赛中，不同队伍的自动驾驶汽车使用 GPS 定位，在 100 种不同的地形上各行驶 1 公里。每次都尽可能停在终点。然后计算每只队伍的平均最终位置。
第一组输了：因为虽然方差小，但是偏差大。
第二组输了：因为偏差小，但是方差大
第三组赢了：偏差和方差都小
不能仅仅依靠 GPS 数据，因为它可能有噪声。
目的是：0 偏差 + 最小的方差
可以使用 卡尔曼滤波器。
输入是 油门， 输出是 汽车的位置。该系统有多个状态，如下图：
我们简化为：
汽车的输入为 速度，该系统只有一个状态： 汽车的位置。我们正在测量这个状态，因此矩阵 C = 1。
GPS 读数有噪音，用 v 表示测量噪声，这是一个随机变量。用 w 表示 过程噪声，也是随机变量，代表风的影响或者汽车速度的变化。虽然这些随机变量不遵循 模式，但是可以使用概率论描述它们的平均属性。
假设 v 服从 0 均值，协方差 R 的高斯分布。因为是单输出系统，协方差 R 是标量，且等于 测量噪声的方差。
类似的，过程噪声也是随机的，假设 w 服从 0 均值，协方差 Q 的高斯分布。
因为，测量是有噪声的，因此，测量的并不能反映汽车的真实位置。如果我们知道汽车模型，我们可以将输入放到模型中来估计位置 x ^ k \hat{x}_{k} x^k，但是该估计值也不是完美的，因为还有过程噪声也是随机的。卡尔曼滤波结合 测量值 和 模型预测值 来估计汽车的位置。
我们使用概率密度函数来直观讨论卡尔曼滤波器的工作原理。在 初始时间 k-1 ，实际汽车位置可能在 模型估计值 x ^ k − 1 \hat{x}_{k-1} x^k−1 附近的任何位置，这种不确定性由 概率密度函数描述，汽车最可能在该分布的平均值附近。在下一个时间步，估计的不确定性增大（因为：在时间步 k-1 到 k, 汽车可能经过坑洼，可能车轮打滑，因此可能前进了与 模型估计的距离不同的距离。）, 用较大的方差表示。
除了数学模型的预测，还有另外一个信息来源：GPS 测量值。上图橙色的高斯分布表示测量的分布，方差表示测量噪声的不确定性，同样，真正的位置可能是该分布平均值的任何位置。
现在有了 预测值 和测量值，那么汽车位置的最优估计是什么？
结合这两部分信息，通过将 预测和测量的 两个概率密度函数相乘，结果也是高斯函数。该高斯的方差小于之前数学模型估计的方差，该高斯的平均值给了我们汽车位置的最优估计。
卡尔曼滤波器可以计算最优无偏差的汽车位置，且方差最小。
2. 最优状态估计算法
状态观测器:（deterministic system）
x ^ k + 1 = A x ^ k + B u k + K ( y k − C x ^ k ) \hat{x}_{k+1}=A \hat{x}_{k}+B u_{k}+K\left(y_{k}-C \hat{x}_{k}\right) x^k+1=Ax^k+Buk+K(yk−Cx^k)
卡尔曼滤波器：(stochastic system)
x ^ k = A x ^ k − 1 + B u k + K k ( y k − C ( A x ^ k − 1 + B u k ) ) \hat{x}_{k} = A \hat{x}_{k-1}+B u_{k}+K_{k}\left(y_{k}-C\left(A \hat{x}_{k-1}+B u_{k}\right)\right) x^k=Ax^k−1+Buk+Kk(yk−C(Ax^k−1+Buk))
卡尔曼滤波器是一种状态观测器，但是是为 随机系统设计的。
x ^ k = A x ^ k − 1 + B u k ⏟ x ^ k − : A Priori Estimate + K k ( y k − C ( A x ^ k − 1 + B u k ) ) \hat{x}_{k}=\underbrace{A \hat{x}_{k-1}+B u_{k}}_{\hat{x}_{k}^{-}: A \text { Priori Estimate }}+K_{k}\left(y_{k}-C\left(A \hat{x}_{k-1}+B u_{k}\right)\right) x^k=x^k−:A Priori Estimate Ax^k−1+Buk+Kk(yk−C(Ax^k−1+Buk))
第一步：通过建立的数学模型，使用前一个时间步的预测状态和当前的输入, 预测当前的状态。 x ^ k − \hat{x}_{k}^{-} x^k− 为先验估计，因为计算它的时候没有使用当前的测量值。简化上面等式：
x ^ k = x ^ k − + K k ( y k − C x ^ k − ) \hat{x}_{k}=\hat{x}_{k}^{-}+K_{k}\left(y_{k}-C \hat{x}_{k}^{-}\right) x^k=x^k−+Kk(yk−Cx^k−)
第二步：等式的第二部分使用的是测量值（ y k y_{k} yk）, 代入方程来更新 先验估计, 从而得到后验估计。
x ^ k ⏞ A P o s t e r i o r i E s t i m a t e = x ^ k − ⏟ Predict + K k ( y k − C x ^ k − ) ⏟ Update \overset{A Posteriori Estimate}{\overbrace{\hat{x}_{k}}} =\underbrace{\hat{x}_{k}^{-}}_{\text {Predict }}+\underbrace{K_{k}\left(y_{k}-C \hat{x}_{k}^{-}\right)}_{\text {Update }} x^k APosterioriEstimate=Predict x^k−+Update Kk(yk−Cx^k−)
具体原理：
第一步：数学模型预测部分。因为系统状态可能是多个，比如位移、速度等，因为一个系统中大多数的状态信息是相互关联的。对于卡尔曼滤波器这些不同状态的关联性用协方差矩阵(covariance matrix) P 表示。
上图中下面的 P k − P_{k}^{-} Pk− 计算的是 k 时刻的真实状态 x k x_{k} xk 和 k-1 时刻数学模型预测的 k 时刻的状态 x ^ k − \hat{x}_{k}^{-} x^k− 之差 的协方差矩阵。
Pk−=cov{xk−x^k−}=cov{Axk−1+Buk+wk−Ax^k−1−−Buk}=cov{A(xk−1−x^k−1−)+wk}=Acov{xk−1−x^k−1−}AT+cov{wk}=APk−1AT+Q
这里会用到：
Cov ( A X ) = A Cov ( X ) A T \operatorname{Cov}(A X)=A \operatorname{Cov}(X) A^{T} Cov(AX)=ACov(X)AT
推导参考：
- https://www.zhihu.com/question/51082135/answer/150631891
- https://zhuanlan.zhihu.com/p/341440139
对于单状态系统，P 是状态预测值的方差。可以把它当作预测状态中的不确定性的度量，不确定性来自过程误差和预测值 x ^ k − 1 \hat{x}_{k-1} x^k−1 的不确定性的影响。
算法的最开始，预测值 x ^ k − 1 \hat{x}_{k-1} x^k−1 和 P k − 1 P_{k-1} Pk−1 来自初始估计值。
第二步，得到 更新后的状态值 x ^ k \hat{x}_{k} x^k 和 其 误差协方差 P k P_{k} Pk。推导见上面公式2。
调整卡尔曼增益 K k K_k Kk 使得更新后的状态值误差 P k P_{k} Pk 最小。
假设上面条表示估算值 x ^ k \hat{x}_{k} x^k 的计算，通过调整 卡尔曼增益 确定测量值和模型预测值对计算 x ^ k \hat{x}_{k} x^k 的影响。
如果测量误差很小，那么测量值更可靠，则应对 x ^ k \hat{x}_{k} x^k 的计算共享更大。
相反，如果模型预测值的误差很小，则模型预测值更可靠，则 x ^ k \hat{x}_{k} x^k 的计算更多的取决于 模型预测值。
以两种极端情况为例：
情况1： 假设 测量误差的协方差 R 趋近于 0。我们的上面描述的系统中 C=1。因此，计算结果只取决于 测量值。
情况2： 如果预测误差协方差趋近于 0。则卡尔曼增益为 0。因此，计算结果只取决于 模型预测值。
卡尔曼滤波器只需要知道 模型预测状态值 和 前一个时间步以及当前测量误差协方差矩阵。因此 卡尔曼滤波器是递归的。
卡尔曼滤波器 也被称为传感器融合算法。因此可以增加另外一个数据源，比如 IMU。如果有两个测量值 y。K 和 C 的矩阵维度将如上图变化。
将三个概率密度函数相乘来找到汽车位置的最优估计值。
以上讨论都是针对线性系统而言。下面将讨论非线性系统如何使用 卡尔曼滤波器。
参考：
如何通俗并尽可能详细地解释卡尔曼滤波？