卡尔曼滤波器原理
卡尔曼滤波器是一种递归的最优状态估计算法,主要用于线性系统的状态估计。它利用系统的动态模型和测量数据,在存在噪声的情况下,最优估计系统状态。
1. 基本假设
. 优点
- 最优状态估计:在噪声为高斯分布的前提下,卡尔曼滤波器提供最优状态估计。
- 递归计算:无需存储所有历史数据,适合实时应用。
扩展卡尔曼滤波器(EKF)
扩展卡尔曼滤波(EKF)是卡尔曼滤波器的非线性扩展版本,用于处理非线性系统的状态估计问题。
1. 系统模型
非线性系统通常由以下方程描述:
2. 工作流程
EKF通过对非线性函数 fff 和 hhh 在当前估计点进行线性化处理,转化为线性系统再进行卡尔曼滤波。
3. 特点
- 非线性系统适用:适用于轻度非线性系统。
- 局限性:需要线性化,依赖于当前估计点,可能导致收敛性问题或误差较大。
卡尔曼滤波与EKF的对比
特性 | 卡尔曼滤波器 | 扩展卡尔曼滤波器 |
---|---|---|
适用系统类型 | 线性系统 | 非线性系统 |
精确性 | 高(在线性系统中最优) | 可能不最优,依赖于线性化点 |
计算复杂度 | 较低 | 较高(需要计算雅可比矩阵) |
收敛性 | 保证 | 不总是保证 |
实现难度 | 低 | 中等 |
应用场景
- 卡尔曼滤波器:
- 航天器轨迹估计(如卫星导航)。
- 工业过程控制中的状态估计。
- 扩展卡尔曼滤波器:
- 无人机姿态估计(如四旋翼无人机)。
- 自动驾驶汽车的路径规划和环境感知。
卡尔曼滤波器与EKF是控制与信号处理中的基础技术,选择使用哪种方法取决于系统的线性程度和计算资源。