卡爾曼濾波(Kalman Filter)的通俗解釋
阿新 • • 發佈:2019-01-10
假設你有兩個感測器,測的是同一個訊號。可是它們每次的讀數都不太一樣,怎麼辦?
取平均。
再假設你知道其中貴的那個感測器應該準一些,便宜的那個應該差一些。那有比取平均更好的辦法嗎?
加權平均。
怎麼加權?假設兩個感測器的誤差都符合正態分佈,假設你知道這兩個正態分佈的方差,用這兩個方差值,(此處省略若干數學公式),你可以得到一個“最優”的權重。
接下來,重點來了:假設你只有一個感測器,但是你還有一個數學模型。模型可以幫你算出一個值,但也不是那麼準。怎麼辦?
把模型算出來的值,和感測器測出的值,(就像兩個感測器那樣),取加權平均。
OK,最後一點說明:你的模型其實只是一個步長的,也就是說,知道x(k),我可以求x(k+1)。問題是x(k)是多少呢?答案:x(k)就是你上一步卡爾曼濾波得到的、所謂加權平均之後的那個、對x在k時刻的最佳估計值。
於是迭代也有了。
這就是卡爾曼濾波。
作者:樑緣
連結:https://www.zhihu.com/question/23971601/answer/64551250
visual explain: