卡尔曼滤波算法ppt课件

卡尔曼滤波算法介绍卡尔曼滤波算法介绍1目录Contents状态估计原理简介状态估计原理简介二二卡尔曼滤波算法数学推导卡尔曼滤波算法数学推导四四卡尔曼滤波的典型应用卡尔曼滤波的典型应用多传感器数据融合处理多传感器数据融合处理五五滤波算法简介滤波算法简介一一卡尔曼滤波引例卡尔曼滤波引例温度测量温度测量三三目录目录 Contents状态估计原理简介二卡尔曼滤波算法数学推一：滤波简介滤波：滤波：通过一定的算法将信号中特定波段频率滤除，排除可能的随机干扰，提高检测精度的一种手段。功能:平滑、预测，微分、积分、信号分离和噪声抑制等功能。信号种类数字滤波：数字滤波：使用软件编程/可编程逻辑器件设计模拟滤波：模拟滤波：采用电容，电阻和电感的组合来完成。算法(频域/时域)经典滤波：经典滤波：信号和噪声处于不同的频带。高通、低通、带通、带阻滤波器。现代滤波：现代滤波：利用信号和噪声的随机统计特性。维纳滤波，Kalman滤波，自适应滤波，小波变换等 一：滤波简介滤波：通过一定的算法将信号中特定波段频率滤除，3二：状态估计原理简介 状态估计是卡尔曼滤波的重要组成部分状态估计是卡尔曼滤波的重要组成部分。定量判断定量判断随机状态量随机状态量(很难直接得到很难直接得到)观测数据观测数据(可以直接得到可以直接得到)估计问题：估计问题：例如，飞机实时的位置、速度等状态参数需要通过雷达或其它 测量装置进行观测，而雷达等测量装置也存在随机干扰，因此在观测到飞机的位置、速度等信号中就夹杂着随机干扰，要想正确地得到飞机的状态参数是不可能的，只能根据观测到的信号来估计和预测飞机的状态。二：状态估计原理简介 状态估计是卡尔曼滤波的重要4二：状态估计原理简介定量判断定量判断内部状态量内部状态量(动态规律，很难直动态规律，很难直接得到接得到)观测数据观测数据(输入输出：输入输出：外部特性外部特性)状态估计：状态估计：状状态估估计对于了解和控制一个系于了解和控制一个系统具有重要意具有重要意义。信号平滑信号平滑/插值（过去）插值（过去）信号的滤波（现在）信号的滤波（现在）信号的预测（将来）信号的预测（将来）随机过程、随机过程、噪声等影响噪声等影响二：状态估计原理简介定量判断内部状态量观测数据状态估计：状态5二：状态估计原理简介最优估计估计误差无偏估计卡尔曼滤波算法即为递推最优估计理论，采用状态空间卡尔曼滤波算法即为递推最优估计理论，采用状态空间描述法，以线性最小均方误差为估计准则来得到对状态变量描述法，以线性最小均方误差为估计准则来得到对状态变量的最优估计。的最优估计。状状态估估计方法：方法：最小二乘估最小二乘估计，线性最小方差性最小方差估估计、最小方差估、最小方差估计、递推最小二乘估推最小二乘估计等。等。估估计计值值真真实实值值二：状态估计原理简介最优估计卡尔曼滤波算法即为递推最优估计理6三：卡尔曼滤波引例背景介背景介绍：Kalman，匈牙利数学家。卡尔曼滤波器源于他的博士论文和1960年 发表的论文A New Approach to Linear Filtering and Prediction Problems （线性滤波与预测问题的新方法）。卡尔曼将状态变量引入虑波理论，提出了递推滤波算法，建立了后来被自动控制界称道的“卡尔曼滤波”。三：卡尔曼滤波引例背景介绍：7三：卡尔曼滤波引例实质：由量测值重构系统的状态向量。它以“预测实测修正”的顺序递推，根据量测值来消除随机干扰，再现系统的状态。卡卡尔曼曼滤波：波：是一种高效率的是一种高效率的递归滤波器波器(自回自回归滤波器波器),它能它能够从从一系列完全包含噪声的一系列完全包含噪声的测量中，量中，估估计动态系系统的状的状态。基本思想：基本思想：采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求出现在时刻的估计值。它适合于实时处理和计算机运算。无需历无需历史数据史数据 三：卡尔曼滤波引例实质：由量测值重构系统的状态向量。它以“8三：卡尔曼滤波引例 1.被建模的系统是线性的：被建模的系统是线性的：K时刻的系统状态可以用某时刻的系统状态可以用某个矩阵与个矩阵与K-1时刻的系统状态的乘积表示。时刻的系统状态的乘积表示。2.影响测量的噪声属于高斯分布的白噪声：噪声与时间影响测量的噪声属于高斯分布的白噪声：噪声与时间不相关，且只用均值和协方差就可以准确地建模。不相关，且只用均值和协方差就可以准确地建模。l 这些假些假设实际上可以运用在非常广泛的普通上可以运用在非常广泛的普通环境中。境中。l卡卡尔曼曼滤波器的两个重要假波器的两个重要假设：三：卡尔曼滤波引例 1.被建模的系统是线性的：K时刻的系统9三：卡尔曼滤波引例10房间温度的当前感觉值房间温度的当前感觉值房间温度计的当前读数房间温度计的当前读数五分钟以后房间温度的实际值五分钟以后房间温度的实际值问题描述已知条件希望得到都带有误差都带有误差感觉值感觉值+测量值测量值未来时刻的真实值未来时刻的真实值？=三：卡尔曼滤波引例10房间温度的当前感觉值房间温度计的当前三：卡尔曼滤波引例预测：预测：根据K-1时刻温度的最优估计值预测K时刻的温度为23度，其高斯噪声的偏差是5度（设k 1时刻温度的最优估算的偏差是3，自己预测的不确定度是4度，它们平方相加再开方，就是5）。观测：观测：从温度计那里得到k时刻的温度值，假设是25度，同时该值的偏差是4度。三：卡尔曼滤波引例预测：根据K-1时刻温度的最优估计值预测11三：卡尔曼滤波引例更新：更新：根据预测误差和观测误差的协方差有Kg2=52/(52+42)，即Kg=0.78，则可估算出k时刻的实际温度值（最优估计）是：23+0 78.78(25*(25 23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。递推关键：递推关键：由此可知，进行K+1时刻的最优估计，需要K时刻的最优估计值和其偏差。偏差计算：(1 Kg)*5 2)0.5=2.35。这里的5就是上面k时刻温度预测为23度时的偏差，得出的2.35就是k时刻估算出的最优温度值的偏差（对应于上面的3）。卡尔曼滤波器不断的把卡尔曼滤波器不断的把covariance递归，递归，从而估算出最优的温度值。其运从而估算出最优的温度值。其运行的很快，而且它只保留了上一时刻的行的很快，而且它只保留了上一时刻的covariance。三：卡尔曼滤波引例更新：根据预测误差和观测误差的协方差有K12三：卡尔曼滤波引例 三：卡尔曼滤波引例13四：卡尔曼滤波算法数学推导引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述：X(k)=F X(k-1)+B U(k)+W(k)加上系统的测量值：Z(k)=H X(k)+V(k)X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。F和B是系统参数,对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。它们被假设成高斯白噪声，它们的协方差分别是Q，R(这里假设它们不随系统状态变化而变化)。系系统可用一个可用一个马尔可夫可夫链表示，表示，该马尔可夫可夫链建建立在一个被高斯立在一个被高斯噪声干噪声干扰的的线性性算子上的。算子上的。四：卡尔曼滤波算法数学推导引入一个离散控制过程的系统。X(14卡尔曼滤波器的模型四：卡尔曼滤波算法数学推导圆圈代表向量圆圈代表向量方块代表矩阵方块代表矩阵星号代表高斯噪声星号代表高斯噪声卡尔曼滤波器的模型 四：卡尔曼滤波算法数学推导圆圈代表向量15四：卡尔曼滤波算法数学推导x(k1)k时刻时刻k+1时刻时刻k-1时刻时刻z(k)x(k|k)u(k)四：卡尔曼滤波算法数学推导x(k-1)k时刻k+1时刻k-16四：卡尔曼滤波算法数学推导x(k+1)=F x(k)+B u(k)+w(k)k时刻时刻k+1k-1x(k|k1)=F x(k1|k1)+B u(k)+w(k)x(k1|k1)P(k|k1)=F P(k1|k1)F+Q 预测预测 四：卡尔曼滤波算法数学推导x(k+1)=F x(k)+B 17四：卡尔曼滤波算法数学推导18k时刻时刻k+1k-1x(k|k)至此，完成了预测阶段得到了两个量：k时刻的状态预测x(k|k1)描述x(k|k1)优劣程度的协方差P(k|k1)预测预测 四：卡尔曼滤波算法数学推导18k时刻k+1k-1x(k|k四：卡尔曼滤波算法数学推导19z(k)=H x(k|k1)+v(k)K时刻时刻k+1k-1测量值z(k)x(k+1|k+1)x(k|k1)P(k|k1)实测实测 四：卡尔曼滤波算法数学推导19z(k)=H x(k|k-四：卡尔曼滤波算法数学推导20K时刻时刻k+1时刻时刻k-1x(k|k1)P(k|k1)x(k|k)=x(k|k1)+Kg(k)(Z(k)-H X(k|k-1)Kg(k)=P(k|k-1)H/(HP(k|k-1)H+R)修正修正P(k|k)=(IKg(k)H)P(k|k1)x(k+1|k+1)四：卡尔曼滤波算法数学推导20K时刻k+1时刻k-1x(k四：卡尔曼滤波算法数学推导时间更新（预测）（1）计算先验状态估计值x(k|k1)=F x(k1|k1)+B u(k)+w(k)（2）计算先验状态估计值的协方差P(k|k1)=F P(k1|k1)F+Q 测量更新（修正）（1）计算加权矩阵(卡尔曼增益)Kg(k)=P(k|k-1)H/(HP(k|k-1)H+R)（2）对预测值进行修正x(k|k)=x(k|k1)+Kg(k)(Z(k)-H X(k|k-1)（3）更新修正值的协方差P(k|k)=(IKg(k)H)P(k|k1)初始值x(0)、P(0)四：卡尔曼滤波算法数学推导时间更新（预测）测量更新（修正）21四：卡尔曼滤波算法数学推导针对上述不足，很多学者提出了不同的方法加以克服，如限定记忆法、平方根滤波、渐消记忆滤波、自适应卡尔曼滤波（AKF）、抗野值滤波等。其中，AKF因为具有自适应特性非常适合动态系统滤波而受到广泛重视。因此，在采用卡尔曼滤波处理动态测量数据时，一般都要考虑采取适当的自适应滤波方法来解决这一问题。卡尔曼滤波的发展 四：卡尔曼滤波算法数学推导 针对上述不足，很多学者提出了不22五：卡尔曼滤波的典型应用多传感器数据融合处理23应用用场合合机器人导航、控制传感器数据融合感器数据融合雷达系统以及导弹追踪计算机图像处理头脸识别图像分割图像边缘检测 五：卡尔曼滤波的典型应用多传感器数据融合处理23应用场合五：卡尔曼滤波的典型应用多传感器数据融合处理多传感器数据融合：多传感器数据融合：将经过集成处理的多种传感器信息进将经过集成处理的多种传感器信息进行合成，形成对被测对象及其性质的最佳一致估计。行合成，形成对被测对象及其性质的最佳一致估计。提高信息的准确性和全面性。比单一传感器获得有关周围环境更准提高信息的准确性和全面性。比单一传感器获得有关周围环境更准确、全面的信息。确、全面的信息。降低信息的不确定性。一组传感器采集的信息存在互补性，可以对降低信息的不确定性。一组传感器采集的信息存在互补性，可以对单一传感器的不确定性和测量范围的局限性进行补偿。单一传感器的不确定性和测量范围的局限性进行补偿。提高系统的可靠性，某个或几个传感器失效时，系统仍能正常运行；提高系统的可靠性，某个或几个传感器失效时，系统仍能正常运行；增加系统的实时性。增加系统的实时性。五：卡尔曼滤波的典型应用多传感器数据融合处理多传感器数据24五：卡尔曼滤波的典型应用多传感器数据融合处理数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统(a)集中式融合系统集中式融合系统集中式融合系统可利集中式融合系统可利用所有传感器的信息用所有传感器的信息进行状态估计、速度进行状态估计、速度估计和预测计算。估计和预测计算。五：卡尔曼滤波的典型应用多传感器数据融合处理数据融合的模25五：卡尔曼滤波的典型应用多传感器数据融合处理(b)无反馈式分布融合系统无反馈式分布融合系统各传感器分别滤波，各传感器分别滤波，将各局部状态估计送将各局部状态估计送给融合中心进行融合给融合中心进行融合,最后给出融合结果。最后给出融合结果。数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统 五：卡尔曼滤波的典型应用多传感器数据融合处理(b)无反馈26五：卡尔曼滤波的典型应用多传感器数据融合处理(c)有反馈式分布融合系统有反馈式分布融合系统融合中心到各传感器有反融合中心到各传感器有反馈通道，提高各传感器状馈通道，提高各传感器状态估计和预测精度。态估计和预测精度。数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统 五：卡尔曼滤波的典型应用多传感器数据融合处理(c)有反馈27五：卡尔曼滤波的典型应用多传感器数据融合处理(d)有反馈的全并行系统有反馈的全并行系统数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统最复杂最复杂,但也是最有但也是最有潜力的融合系统。潜力的融合系统。五：卡尔曼滤波的典型应用多传感器数据融合处理(d)有反馈28五：卡尔曼滤波的典型应用多传感器数据融合处理以跟踪雷达为背景,它配有电视角跟踪仪、激光测距器等传感器，通过联合卡尔曼滤波实现其数据融合。滤波结构框图滤波结构框图1.雷达、电视局部卡尔曼滤波，分别得到雷达、电视局部卡尔曼滤波，分别得到各局部最优估计各局部最优估计 。2.将全部局部最优估计送到融合中心进行将全部局部最优估计送到融合中心进行全局融合。全局融合。3.融合中心按照融合中心按照“信息分配信息分配”原则形成原则形成的信息分配量，向雷达与电视进行信息的信息分配量，向雷达与电视进行信息反馈。反馈。五：卡尔曼滤波的典型应用多传感器数据融合处理以跟踪雷达为29 谢 谢 谢 谢30目录Contents状态估计原理简介状态估计原理简介二二卡尔曼滤波算法数学推导卡尔曼滤波算法数学推导四四卡尔曼滤波的典型应用卡尔曼滤波的典型应用多传感器数据融合处理多传感器数据融合处理五五滤波算法简介滤波算法简介一一卡尔曼滤波引例卡尔曼滤波引例温度测量温度测量三三目录 Contents状态估计原理简介二卡尔曼滤波算法数学推一：滤波简介滤波：滤波：通过一定的算法将信号中特定波段频率滤除，排除可能的随机干扰，提高检测精度的一种手段。功能:平滑、预测，微分、积分、信号分离和噪声抑制等功能。信号种类数字滤波：数字滤波：使用软件编程/可编程逻辑器件设计模拟滤波：模拟滤波：采用电容，电阻和电感的组合来完成。算法(频域/时域)经典滤波：经典滤波：信号和噪声处于不同的频带。高通、低通、带通、带阻滤波器。现代滤波：现代滤波：利用信号和噪声的随机统计特性。维纳滤波，Kalman滤波，自适应滤波，小波变换等 一：滤波简介滤波：通过一定的算法将信号中特定波段频率滤除，32二：状态估计原理简介 状态估计是卡尔曼滤波的重要组成部分状态估计是卡尔曼滤波的重要组成部分。定量判断定量判断随机状态量随机状态量(很难直接得到很难直接得到)观测数据观测数据(可以直接得到可以直接得到)估计问题：估计问题：例如，飞机实时的位置、速度等状态参数需要通过雷达或其它 测量装置进行观测，而雷达等测量装置也存在随机干扰，因此在观测到飞机的位置、速度等信号中就夹杂着随机干扰，要想正确地得到飞机的状态参数是不可能的，只能根据观测到的信号来估计和预测飞机的状态。二：状态估计原理简介 状态估计是卡尔曼滤波的重要33二：状态估计原理简介定量判断定量判断内部状态量内部状态量(动态规律，很难直动态规律，很难直接得到接得到)观测数据观测数据(输入输出：输入输出：外部特性外部特性)状态估计：状态估计：状态估计对于了解和控制一个系统具有重要意义。状态估计对于了解和控制一个系统具有重要意义。信号平滑信号平滑/插值（过去）插值（过去）信号的滤波（现在）信号的滤波（现在）信号的预测（将来）信号的预测（将来）随机过程、随机过程、噪声等影响噪声等影响二：状态估计原理简介定量判断内部状态量观测数据状态估计：状态34二：状态估计原理简介最优估计估计误差无偏估计卡尔曼滤波算法即为递推最优估计理论，采用状态空间卡尔曼滤波算法即为递推最优估计理论，采用状态空间描述法，以线性最小均方误差为估计准则来得到对状态变量描述法，以线性最小均方误差为估计准则来得到对状态变量的最优估计。的最优估计。状态估计方法：状态估计方法：最小二乘估计，线性最小方差最小二乘估计，线性最小方差估计、最小方差估计、递推最小二乘估计等。估计、最小方差估计、递推最小二乘估计等。估估计计值值真真实实值值二：状态估计原理简介最优估计卡尔曼滤波算法即为递推最优估计理35三：卡尔曼滤波引例背景介绍：背景介绍：Kalman，匈牙利数学家。卡尔曼滤波器源于他的博士论文和1960年 发表的论文A New Approach to Linear Filtering and Prediction Problems （线性滤波与预测问题的新方法）。卡尔曼将状态变量引入虑波理论，提出了递推滤波算法，建立了后来被自动控制界称道的“卡尔曼滤波”。三：卡尔曼滤波引例背景介绍：36三：卡尔曼滤波引例实质：实质：由量测值重构系统的状态向量。它以“预测实测修正”的顺序递推，根据量测值来消除随机干扰，再现系统的状态。卡尔曼滤波：卡尔曼滤波：是一种高效率的是一种高效率的递归递归滤波器滤波器(自回归滤波器自回归滤波器),它能够从它能够从一系列完全包含噪声的测量中，一系列完全包含噪声的测量中，估计动态系统的状态。估计动态系统的状态。基本思想：基本思想：采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求出现在时刻的估计值。它适合于实时处理和计算机运算。无需历无需历史数据史数据 三：卡尔曼滤波引例实质：由量测值重构系统的状态向量。它以“37三：卡尔曼滤波引例 1.被建模的系统是线性的：被建模的系统是线性的：K时刻的系统状态可以用某时刻的系统状态可以用某个矩阵与个矩阵与K-1时刻的系统状态的乘积表示。时刻的系统状态的乘积表示。2.影响测量的噪声属于高斯分布的白噪声：噪声与时间影响测量的噪声属于高斯分布的白噪声：噪声与时间不相关，且只用均值和协方差就可以准确地建模。不相关，且只用均值和协方差就可以准确地建模。l 这些假设实际上可以运用在非常广泛的普通环境中。这些假设实际上可以运用在非常广泛的普通环境中。l卡尔曼滤波器的两个重要假设：卡尔曼滤波器的两个重要假设：三：卡尔曼滤波引例 1.被建模的系统是线性的：K时刻的系统38三：卡尔曼滤波引例39房间温度的当前感觉值房间温度的当前感觉值房间温度计的当前读数房间温度计的当前读数五分钟以后房间温度的实际值五分钟以后房间温度的实际值问题描述已知条件希望得到都带有误差都带有误差感觉值感觉值+测量值测量值未来时刻的真实值未来时刻的真实值？=三：卡尔曼滤波引例39房间温度的当前感觉值房间温度计的当前三：卡尔曼滤波引例预测：预测：根据K-1时刻温度的最优估计值预测K时刻的温度为23度，其高斯噪声的偏差是5度（设k 1时刻温度的最优估算的偏差是3，自己预测的不确定度是4度，它们平方相加再开方，就是5）。观测：观测：从温度计那里得到k时刻的温度值，假设是25度，同时该值的偏差是4度。三：卡尔曼滤波引例预测：根据K-1时刻温度的最优估计值预测40三：卡尔曼滤波引例更新：更新：根据预测误差和观测误差的协方差有Kg2=52/(52+42)，即Kg=0.78，则可估算出k时刻的实际温度值（最优估计）是：23+0 78.78(25*(25 23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。递推关键：递推关键：由此可知，进行K+1时刻的最优估计，需要K时刻的最优估计值和其偏差。偏差计算：(1 Kg)*5 2)0.5=2.35。这里的5就是上面k时刻温度预测为23度时的偏差，得出的2.35就是k时刻估算出的最优温度值的偏差（对应于上面的3）。卡尔曼滤波器不断的把卡尔曼滤波器不断的把covariance递归，递归，从而估算出最优的温度值。其运从而估算出最优的温度值。其运行的很快，而且它只保留了上一时刻的行的很快，而且它只保留了上一时刻的covariance。三：卡尔曼滤波引例更新：根据预测误差和观测误差的协方差有K41三：卡尔曼滤波引例 三：卡尔曼滤波引例42四：卡尔曼滤波算法数学推导引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述：X(k)=F X(k-1)+B U(k)+W(k)加上系统的测量值：Z(k)=H X(k)+V(k)X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。F和B是系统参数,对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。它们被假设成高斯白噪声，它们的协方差分别是Q，R(这里假设它们不随系统状态变化而变化)。系统可用一个马系统可用一个马尔可夫链表示，尔可夫链表示，该马尔可夫链建该马尔可夫链建立在一个被高斯立在一个被高斯噪声干扰的线性噪声干扰的线性算子上的。算子上的。四：卡尔曼滤波算法数学推导引入一个离散控制过程的系统。X(43卡尔曼滤波器的模型四：卡尔曼滤波算法数学推导圆圈代表向量圆圈代表向量方块代表矩阵方块代表矩阵星号代表高斯噪声星号代表高斯噪声卡尔曼滤波器的模型 四：卡尔曼滤波算法数学推导圆圈代表向量44四：卡尔曼滤波算法数学推导x(k1)k时刻时刻k+1时刻时刻k-1时刻时刻z(k)x(k|k)u(k)四：卡尔曼滤波算法数学推导x(k-1)k时刻k+1时刻k-45四：卡尔曼滤波算法数学推导x(k+1)=F x(k)+B u(k)+w(k)k时刻时刻k+1k-1x(k|k1)=F x(k1|k1)+B u(k)+w(k)x(k1|k1)P(k|k1)=F P(k1|k1)F+Q 预测预测 四：卡尔曼滤波算法数学推导x(k+1)=F x(k)+B 46四：卡尔曼滤波算法数学推导47k时刻时刻k+1k-1x(k|k)至此，完成了预测阶段得到了两个量：k时刻的状态预测x(k|k1)描述x(k|k1)优劣程度的协方差P(k|k1)预测预测 四：卡尔曼滤波算法数学推导47k时刻k+1k-1x(k|k四：卡尔曼滤波算法数学推导48z(k)=H x(k|k1)+v(k)K时刻时刻k+1k-1测量值z(k)x(k+1|k+1)x(k|k1)P(k|k1)实测实测 四：卡尔曼滤波算法数学推导48z(k)=H x(k|k-四：卡尔曼滤波算法数学推导49K时刻时刻k+1时刻时刻k-1x(k|k1)P(k|k1)x(k|k)=x(k|k1)+Kg(k)(Z(k)-H X(k|k-1)Kg(k)=P(k|k-1)H/(HP(k|k-1)H+R)修正修正P(k|k)=(IKg(k)H)P(k|k1)x(k+1|k+1)四：卡尔曼滤波算法数学推导49K时刻k+1时刻k-1x(k四：卡尔曼滤波算法数学推导时间更新（预测）（1）计算先验状态估计值x(k|k1)=F x(k1|k1)+B u(k)+w(k)（2）计算先验状态估计值的协方差P(k|k1)=F P(k1|k1)F+Q 测量更新（修正）（1）计算加权矩阵(卡尔曼增益)Kg(k)=P(k|k-1)H/(HP(k|k-1)H+R)（2）对预测值进行修正x(k|k)=x(k|k1)+Kg(k)(Z(k)-H X(k|k-1)（3）更新修正值的协方差P(k|k)=(IKg(k)H)P(k|k1)初始值x(0)、P(0)四：卡尔曼滤波算法数学推导时间更新（预测）测量更新（修正）50四：卡尔曼滤波算法数学推导针对上述不足，很多学者提出了不同的方法加以克服，如限定记忆法、平方根滤波、渐消记忆滤波、自适应卡尔曼滤波（AKF）、抗野值滤波等。其中，AKF因为具有自适应特性非常适合动态系统滤波而受到广泛重视。因此，在采用卡尔曼滤波处理动态测量数据时，一般都要考虑采取适当的自适应滤波方法来解决这一问题。卡尔曼滤波的发展 四：卡尔曼滤波算法数学推导 针对上述不足，很多学者提出了不51五：卡尔曼滤波的典型应用多传感器数据融合处理52应用场合应用场合机器人导航、控制传感器数据融合传感器数据融合雷达系统以及导弹追踪计算机图像处理头脸识别图像分割图像边缘检测 五：卡尔曼滤波的典型应用多传感器数据融合处理52应用场合五：卡尔曼滤波的典型应用多传感器数据融合处理多传感器数据融合：多传感器数据融合：将经过集成处理的多种传感器信息进将经过集成处理的多种传感器信息进行合成，形成对被测对象及其性质的最佳一致估计。行合成，形成对被测对象及其性质的最佳一致估计。提高信息的准确性和全面性。比单一传感器获得有关周围环境更准提高信息的准确性和全面性。比单一传感器获得有关周围环境更准确、全面的信息。确、全面的信息。降低信息的不确定性。一组传感器采集的信息存在互补性，可以对降低信息的不确定性。一组传感器采集的信息存在互补性，可以对单一传感器的不确定性和测量范围的局限性进行补偿。单一传感器的不确定性和测量范围的局限性进行补偿。提高系统的可靠性，某个或几个传感器失效时，系统仍能正常运行；提高系统的可靠性，某个或几个传感器失效时，系统仍能正常运行；增加系统的实时性。增加系统的实时性。五：卡尔曼滤波的典型应用多传感器数据融合处理多传感器数据53五：卡尔曼滤波的典型应用多传感器数据融合处理数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统(a)集中式融合系统集中式融合系统集中式融合系统可利集中式融合系统可利用所有传感器的信息用所有传感器的信息进行状态估计、速度进行状态估计、速度估计和预测计算。估计和预测计算。五：卡尔曼滤波的典型应用多传感器数据融合处理数据融合的模54五：卡尔曼滤波的典型应用多传感器数据融合处理(b)无反馈式分布融合系统无反馈式分布融合系统各传感器分别滤波，各传感器分别滤波，将各局部状态估计送将各局部状态估计送给融合中心进行融合给融合中心进行融合,最后给出融合结果。最后给出融合结果。数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统 五：卡尔曼滤波的典型应用多传感器数据融合处理(b)无反馈55五：卡尔曼滤波的典型应用多传感器数据融合处理(c)有反馈式分布融合系统有反馈式分布融合系统融合中心到各传感器有反融合中心到各传感器有反馈通道，提高各传感器状馈通道，提高各传感器状态估计和预测精度。态估计和预测精度。数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统 五：卡尔曼滤波的典型应用多传感器数据融合处理(c)有反馈56五：卡尔曼滤波的典型应用多传感器数据融合处理(d)有反馈的全并行系统有反馈的全并行系统数据融合的模型数据融合的模型:(a)集中式融合系统集中式融合系统;(b)无反馈式分布融合系统无反馈式分布融合系统;(c)有反馈式分布融合系统有反馈式分布融合系统;(d)有反馈的全并行系统有反馈的全并行系统最复杂最复杂,但也是最有但也是最有潜力的融合系统。潜力的融合系统。五：卡尔曼滤波的典型应用多传感器数据融合处理(d)有反馈57五：卡尔曼滤波的典型应用多传感器数据融合处理以跟踪雷达为背景,它配有电视角跟踪仪、激光测距器等传感器，通过联合卡尔曼滤波实现其数据融合。滤波结构框图滤波结构框图1.雷达、电视局部卡尔曼滤波，分别得到雷达、电视局部卡尔曼滤波，分别得到各局部最优估计各局部最优估计 。2.将全部局部最优估计送到融合中心进行将全部局部最优估计送到融合中心进行全局融合。全局融合。3.融合中心按照融合中心按照“信息分配信息分配”原则形成原则形成的信息分配量，向雷达与电视进行信息的信息分配量，向雷达与电视进行信息反馈。反馈。五：卡尔曼滤波的典型应用多传感器数据融合处理以跟踪雷达为58 谢 谢 谢 谢59