本文探讨了无人机航迹预测中使用的滤波方法，从传统的卡尔曼滤波器（KF）出发，介绍了扩展卡尔曼滤波器（EKF）以及无迹卡尔曼滤波器（UKF）。EKF通过非线性变换扩展了KF的适用范围，而UKF则解决了EKF在高维非线性系统中的计算复杂性问题，提高预测的实时性。
卡尔曼滤波KF
卡尔曼滤波器是一种最优估计算法，能够在不确定性中融合信息，同时，它提取信息的能力很强。卡尔曼滤波器可以在系统状态无法直接测量时，对下一步的走向做出有根据的预测。在连续变化的系统中使用卡尔曼滤波是非常理想的，它具有占有内存小的有点，除了前一个状态量外，不需要保留其他历史数据，并且速度快，适用于实施问题和嵌入式系统。
扩展卡尔曼滤波器EKF
扩展卡尔曼滤波器在卡尔曼滤波器基础之上改变了状态转移方程和量测方程，从而将卡尔曼滤波器的线性算子变为非线性算子。假设一：k时刻的真实状态是从k-1时刻的状态演化而来的；假设二：演化与测量的过程由可微的非线性函数来描述。
无迹卡尔曼滤波器UKF
卡尔曼滤波器需要线型模型，通过泰勒展开完成局部线性化便可实现EKF。面对状态向量维数较大时，非线性环节复杂的过程，其雅可比矩阵难求，导致扩展卡尔曼滤波计算量增大，实时性降低。无迹卡尔曼滤波器仍然没有摆脱KF的框架，只不过对下一时刻的预测方法变成了s
最低0.47元/天 解锁文章
扫一扫
491
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
