文章目录
- 1. 例子
- 1.1 kalman跟踪车道线
- 1.2 鼠标跟踪-匀速运动
- 2. 卡尔曼滤波
- 3. 卡尔曼公式推导
- 3.1 数学基础1(递归)
- 3.2 数学基础2(数据融合、协方差、状态空间方程、观测器问题)
- 3.3 卡尔曼增益公式推导
- 3.4 误差协方差矩阵
- 3.5 误差来源
- 3.6 滤波调参
- 运动模型
- 参考资料
1. 例子
1.1 kalman跟踪车道线
使用系数的方式，使用点的方式。本视频使用的是系数方式。
1.2 鼠标跟踪-匀速运动
2. 卡尔曼滤波
KF的应用领域：目标跟踪、故障诊断、计量经济学、惯导系统等
KF的适用范围：准确已知的线性系统和量测方程；系统噪声和量测噪声为互不相关的零均值高斯白噪声。
算法的核心思想是：根据当前的仪器"测量值"和上一刻的"预测值"和"测量误差"和"预测误差"，计算得到当前的最优值，再预测下一刻的值。
里面比较突出的是观点是：把误差纳入计算，而且分为预测误差和测量误差两种。统称为噪声。还有一个非常大的特点是,误差独立存在，始终不受测量数据的影响。
3. 卡尔曼公式推导
3.1 数学基础1(递归)
3.2 数学基础2(数据融合、协方差、状态空间方程、观测器问题)
3.3 卡尔曼增益公式推导
3.4 误差协方差矩阵
3.5 误差来源
3.6 滤波调参
运动模型
参考资料
1. 递归算法_Recursive Processing
2.卡尔曼滤波最完整公式推导
3.弹簧 - 质量 - 阻尼系统 Simulink仿真
