关于卡尔曼滤波状态和观测方程的一个疑问
我们知道,连续线性时变状态空间离散化之后,得到如下公式:
Xk+1=Gk*Xk+Hk*Uk
Yk=Ck*Xk+Dk*Uk
而卡尔曼滤波用到的线性离散状态和观测方程则如下:
Xk=Fk-1*Xk-1+Gk-1*Uk-1 状态方程
Yk=H*Xk+D*Uk 观测方程
很明显,卡尔曼滤波用到的线性离散观测方程要比离散化状态空间模型的第二个公式提前一个时刻。为何?? 返回小木虫查看更多
今日热帖
这好像没什么关系吧,初值不同而已
个人感觉描述的卡尔曼滤波方程组只是表示先时间更新,再量测更新;
初值下标不同,并没有什么。分两个过程,一个预测过程,一个量测更新过程。具体哪个步骤在前,根据初值来定。表示时,你可以将下标改成一样,不影响分析。
把K+1变为K,K变为K-1就一样了嘛,用K计算K+1时刻与用K-1计算K是一样的原理
还有一种理解吧,关于滤波 平滑和预测的不同定义:如果当前时刻是k,那么平滑就是基于k时刻的量去估计/计算k-1时刻的值;滤波就是基于k时刻的值计算k时刻的值,也就是对应着卡尔曼滤波器里面后验部分;估计就是基于k时刻计算k+1时刻。所以,我的理解是卡尔曼滤波器里面包括了估计和滤波两部分,估计就是基于k-1时刻的值,通过系统本来的状态方程计算得到先验估计值,通常计为k|k-1,然后再对先验结果进行滤波,这部分就对应着卡尔曼滤波器的核心计算-卡尔曼增益,滤波过后的结果就是k的后验估计值,也就是k时刻我们想要得到的值。这是我的理解,如有错误,欢迎指正
还有一种理解吧,关于滤波 平滑和预测的不同定义:如果当前时刻是k,那么平滑就是基于k时刻的量去估计/计算k-1时刻的值;滤波就是基于k时刻的值计算k时刻的值,也就是对应着卡尔曼滤波器里面后验部分;估计就是基于k时刻计算k+1时刻。所以,我的理解是卡尔曼滤波器里面包括了估计和滤波两部分,估计就是基于k-1时刻的值,通过系统本来的状态方程计算得到先验估计值,通常计为k|k-1,然后再对先验结果进行滤波,这部分就对应着卡尔曼滤波器的核心计算-卡尔曼增益,滤波过后的结果就是k+1的后验估计值,也就是k时刻我们想要得到的值。这是我的理解,如有错误,欢迎指正
,