Фильтр Калмана — различия между версиями

Материал из roboforum.ru Wiki
Перейти к: навигация, поиск
(Новая страница: «The '''Kalman filter''' is an efficient recursive filter that estimates the state of a linear dynamic system...»)
 
 
(не показаны 72 промежуточные версии 2 участников)
Строка 1: Строка 1:
The '''[[Rudolf E. Kalman|Kalman]] filter''' is an efficient [[recursive filter]] that [[estimator|estimates]] the state of a [[Linear system|linear dynamic system]] from a series of [[noise|noisy]] measurements.  It is used in a wide range of [[engineering]] applications from [[radar]] to [[computer vision]], and is an important topic in [[control theory]] and [[control system]]s engineering.  Together with the [[linear-quadratic regulator]] (LQR), the Kalman filter solves the [[linear-quadratic-Gaussian control]] problem (LQG).  The Kalman filter, the linear-quadratic regulator and the linear-quadratic-Gaussian controller are solutions to what probably are the most fundamental problems in [[control theory]].
+
<center><big>(перевод статьи "Kalman Filter" из англоязычной википедии)</big></center>
  
== Example applications==
+
<center>Исходная статья: [[w:en:Kalman filter]]</center>
  
An example application would be providing accurate, continuously updated information about the [[coordinate system|position]] and [[velocity]] of an object given only a sequence of observations about its position, each of which includes some error. For example, in a [[radar]] application where one is interested in [[radar tracker|tracking a target]], information about the location, speed, and acceleration of the target is measured at each time instant with a great deal of corruption by noise. The Kalman filter exploits the a trusted model of the dynamics of the target, which describes the kind of movement possible by the target, to remove the effects of the noise and get a good estimate of the location of the target at the present time (filtering), at a future time (prediction), or at a time in the past (interpolation or smoothing). <!-- Not a good place for mentioning the alpha beta filter because the reader doesn't yet even know what the Kalman filter is.-->
+
<p align=center><b>Авторство исходной статьи коллективное</b><br><br><i>Перевод: © Ботов Антон aka =DeaD=, 2009<br><br>Эксклюзивно для www.roboforum.ru<br> копирование на другие ресурсы и публикация перевода<br>без разрешения его автора запрещены</i></p>
  
Alternatively, consider an old slow car that is known to go from 0 to 60 miles per hour (mph) in no less than 10 seconds.
 
The speedometer on this car however shows very noisy measurements that vary wildly within a 40 mph window around the actual speed of the car. From stop&nbsp;– which is measured with certainty because the wheels are not turning&nbsp;– the driver of the car pushes its gas pedal as far as possible. Five seconds later, the speedometer reads 70 mph. The driver concludes that the slow car cannot be traveling that quickly and uses information about the known speedometer noise to conclude that the car is likely traveling at 30 mph instead. Similarly, a Kalman filter uses information about noise and system dynamics to reduce uncertainty from noisy measurements.
 
  
==Underlying dynamic system model==
+
'''Фильтр Калмана''' это эффективный рекурсивный фильтр, который оценивает состояние линейной динамической системы по серии неточных измерений.  Он используется в широком спектре задач от радаров до систем технического зрения, и является важной частью теории управления системами.
  
Kalman filters are based on [[linear dynamical system]]s discretised in the time domain. They are modelled on a [[Markov chain]] built on [[linear operator]]s perturbed by [[normal distribution|Gaussian]] [[noise (physics)|noise]]. The [[state space (controls)|state]] of the system is represented as a [[vector space|vector]] of [[real number]]s. At each [[discrete time]] increment, a linear operator is applied to the state to generate the new state, with some noise mixed in, and optionally some information from the controls on the system if they are known. Then, another linear operator mixed with more noise generates the visible outputs from the hidden state. The Kalman filter may be regarded as analogous to the [[hidden Markov model]], with the key difference that the hidden state variables take values in a continuous space (as opposed to a discrete state space as in the hidden Markov model). Additionally, the  hidden Markov model can represent an arbitrary distribution for the next value of the state variables, in contrast to the Gaussian noise model that is used for the Kalman filter. There is a strong duality between the equations of the Kalman Filter and those of the hidden Markov model. A review of this and other models is given in Roweis and Ghahramani (1999).<ref>Roweis, S. and Ghahramani, Z., ''[http://www.mitpressjournals.org/doi/abs/10.1162/089976699300016674 A unifying review of linear Gaussian models]'', Neural Comput. Vol. 11, No. 2, (February 1999), pp. 305-345. </ref>
 
  
In order to use the Kalman filter to estimate the internal state of a process given only a sequence of noisy observations, one must model the process in accordance with the framework of the Kalman filter. This means specifying the [[matrix (mathematics)|matrices]] '''F'''<sub>''k''</sub>, '''H'''<sub>''k''</sub>, '''Q'''<sub>''k''</sub>, '''R'''<sub>''k''</sub>, and sometimes '''B'''<sub>''k''</sub> for each time-step ''k'' as described below.
+
'''Source(s):''' [http://www.downloadranking.com  Фильтр Калмана]
  
[[Image:Kalman filter model.svg|right|thumb|631px|Model underlying the Kalman filter. Squares represent [[matrix (mathematics)|matrices]]. Ellipses represent [[multivariate normal distribution|multivariate normal distributions]] (with the mean and covariance matrix enclosed). Unenclosed values are [[vector space|vectors]].]]
 
  
The Kalman filter model assumes the true state at time ''k'' is evolved from the state at (''k''&nbsp;&minus;&nbsp;1) according to
+
== Примеры решаемых фильтром задач ==
  
:<math> \textbf{x}_{k} = \textbf{F}_{k} \textbf{x}_{k-1} + \textbf{B}_{k} \textbf{u}_{k} + \textbf{w}_{k} </math>
+
В качестве примера можно привести предоставление точной, поддерживаемой в актуальном состоянии, информации о положении и скорости объекта, при наличии серии измерений положения объекта, каждое из которых в некоторой степени неточно. Например, в радарах при отслеживании цели мы имеем очень зашумлённую (неточную) информацию о положении, скорости и ускорении наблюдаемого объекта. Фильтр Калмана использует известную нам математическую модель динамики объекта, которая описывает какие вообще изменения состояния объекта возможны, чтобы устранить погрешности измерения и предоставить хорошей точности положение объекта в данный момент (фильтрация), в будущие моменты (предсказание), или в какие-то из прошедших моментов (интерполяция или сглаживание). <!-- Not a good place for mentioning the alpha beta filter because the reader doesn't yet even know what the Kalman filter is.-->
  
where
+
В качестве альтернативного примера рассмотрим старый тихоходный автомобиль, про который точно известно, что он разгоняется от 0 до 100км/ч не менее чем за 10 секунд. Представим, что спидометр этого автомобиля барахлит и показывает скорость с погрешностью 60км/ч от настоящей. Из неподвижного положения, которое измерено точно, потому что колёса не вращались, водитель нажимает педаль газа в пол и через 5 секунд спидометр показывает 110км/ч, но водитель то знает, что машина не может так быстро разогнаться, поэтому он использует информацию о погрешности и понимает, что сейчас скорее всего, учитывая то, что он знает на сколько может врать спидометр, скорость около 50км/ч. Так же и фильтр Калмана использует информацию о погрешности измерений и о том, каким правилам подчиняется динамическая система, для минимизации погрешности измерений и предоставления максимально точной информации о состоянии системы.
  
*'''F'''<sub>''k''</sub> is the state transition model which is applied to the previous state '''x'''<sub>''k''&minus;1</sub>;
+
Наглядные примеры в сети:
* '''B'''<sub>''k''</sub> is the control-input model which is applied to the control vector '''u'''<sub>''k''</sub>;
+
* [[http://roboforum.ru/viewtopic.php?p=114926#p114926 Применение фильтра калмана для определения линии горизонта]]
* '''w'''<sub>''k''</sub> is the process noise which is assumed to be drawn from a zero mean [[multivariate normal distribution]] with [[covariance matrix|covariance]] '''Q'''<sub>''k''</sub>.
 
  
:<math>\textbf{w}_{k} \sim N(0, \textbf{Q}_k) </math>
 
  
At time ''k'' an observation (or measurement) '''z'''<sub>''k''</sub> of the true state '''x'''<sub>''k''</sub> is made according to
+
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
==Используемая модель динамической системы==
 +
 
 +
Фильтры Калмана основываются на линейных динамических системах, дискретизированных по времени. Они моделируются [[:ru:Цепь Маркова|цепями Маркова]], построенными на [[:ru:Линейное отображение|линейных операторах]] с внесенными погрешностями с [[:ru:Нормальное распределение|нормальным Гауссовым распределением]]. Состояние системы считается вектор из действительных чисел. При каждом шаге по времени, линейный оператор применяется к вектору состояния системы, добавляется некоторая погрешность и опционально некоторая информация об управляющих воздействиях на систему, если таковая известна. После чего другим линейным оператором с другой погрешностью добавляется видимая информация о состоянии системы. Фильтр Калмана можно рассматривать в качестве аналога скрытым моделям Маркова, с тем ключевым отличием, что переменные, описывающие состояние системы, являются элементами бесконечного множества действительных чисел (в отличие от конечного множества пространства состояний в скрытых моделях Маркова). Кроме того, скрытые модели Маркова могут работать с произвольными распределениями для следующих значений переменных состояния системы, в отличие от модели стандартного Гауссового распределения, поддерживаемого фильтрами Калмана. Существует строгая взаимосвязь между уравнениями фильтра Калмана и аналогичными в скрытых моделях Маркова. Подробней эта тема, как и некоторые другие модели, рассмотрена авторами Roweis и Ghahramani (1999).<ref>Roweis, S. and Ghahramani, Z., ''[http://www.mitpressjournals.org/doi/abs/10.1162/089976699300016674 A unifying review of linear Gaussian models]'', Neural Comput. Vol. 11, No. 2, (February 1999), pp. 305-345. </ref>
 +
 
 +
Чтобы было возможным использовать фильтр Калмана для оценки внутреннего состояния системы по серии неточных измерений, необходимо представить модель данного процесса в соответствии с универсальной моделью процесс для фильтра Калмана.  Это означает, что нужно указать матрицы '''F'''<sub>''k''</sub>, '''H'''<sub>''k''</sub>, '''Q'''<sub>''k''</sub>, '''R'''<sub>''k''</sub>, и иногда '''B'''<sub>''k''</sub> для каждого шага по времени ''k'', как указано ниже.
 +
 
 +
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
[[Image:Kalman filter model.png|right|thumb|631px|Модель системы, лежащая в основе фильтра Калмана. Квадратиками обозначены матрицы. Эллипсами обозначены нормальные распределения (с указанными в скобках матрицами  матожиданий и ковариантностей). Значения без кружочка и квадратика вокруг являются векторами.]]
 +
 
 +
Модель системы для фильтра Калмана подразумевает, что реальное состояние в момент времени ''k'' получается из состояния в момент времени (''k''&nbsp;&minus;&nbsp;1) по правилу:
 +
 
 +
<math> \textbf{x}_{k} = \textbf{F}_{k} \textbf{x}_{k-1} + \textbf{B}_{k} \textbf{u}_{k} + \textbf{w}_{k} </math>,
 +
 
 +
где
 +
 
 +
*'''F'''<sub>''k''</sub> матрица соответствующая модели преобразованию системы со временем, применяемая к предыдущему состоянию '''x'''<sub>''k''&minus;1</sub>;
 +
* '''B'''<sub>''k''</sub> матрица соответствующая модели применения управляющего воздействия, которая применяется к состоянию системы умноженная на вектор управляющего воздействия '''u'''<sub>''k''</sub>;
 +
* '''w'''<sub>''k''</sub> вектор погрешности, которая предполагается, имеет нулевое матожидание, нормальное Гауссово распределение и матрицу [[:ru:Ковариация|ковариаций]] '''Q'''<sub>''k''</sub>:
 +
 
 +
<math>\textbf{w}_{k} \sim N(0, \textbf{Q}_k) </math>
 +
 
 +
В момент времени ''k'' производится наблюдение (или измерение) '''z'''<sub>''k''</sub> реального состояния системы '''x'''<sub>''k''</sub> в соответствии с моделью измерения
  
 
:<math>\textbf{z}_{k} = \textbf{H}_{k} \textbf{x}_{k} + \textbf{v}_{k}</math>
 
:<math>\textbf{z}_{k} = \textbf{H}_{k} \textbf{x}_{k} + \textbf{v}_{k}</math>
  
where '''H'''<sub>''k''</sub> is the observation model which maps the true state space into the observed space and '''v'''<sub>''k''</sub> is the observation noise which is assumed to be zero mean Gaussian white noise with covariance '''R'''<sub>''k''</sub>.
+
где '''H'''<sub>''k''</sub> матрица, соответствующая модели наблюдения, которая отображает пространство векторов реального состояния системы в пространство векторов результатов наблюдений, а '''v'''<sub>''k''</sub> это вектор ошибки наблюдения, который считается имеющим нулевое матожидание, нормальное Гауссово распределение и матрицу ковариаций '''R'''<sub>''k''</sub>:
 +
 
 +
<math>\textbf{v}_{k} \sim N(0, \textbf{R}_k) </math>
  
:<math>\textbf{v}_{k} \sim N(0, \textbf{R}_k) </math>
+
Вектор начального состояния системы и векторы погрешностей на каждом шаге {'''x'''<sub>0</sub>, '''w'''<sub>1</sub>, ..., '''w'''<sub>''k''</sub>,  '''v'''<sub>1</sub> ... '''v'''<sub>''k''</sub>} считаются не зависящими друг от друга.
  
The initial state, and the noise vectors at each step {'''x'''<sub>0</sub>, '''w'''<sub>1</sub>, ..., '''w'''<sub>''k''</sub>, '''v'''<sub>1</sub> ... '''v'''<sub>''k''</sub>} are all assumed to be mutually [[statistical independence|independent]].
+
Множество реальных динамических систем не полностью вписываются в эту модель, однако по причине того, что фильтр Калмана предназначен для работы в ситуации неточных данных, ответы, генерируемые этим фильтром, часто являются очень хорошим приближением к правильному ответу, что делает фильтр очень полезным даже в таких ситуациях. Вариации Калмановской фильтрации описанные ниже позволяют работать с более сложными моделями.
  
Many real dynamical systems do not exactly fit this model; however, because the Kalman filter is designed to operate in the presence of noise, an approximate fit is often good enough for the filter to be very useful. Variations on the Kalman filter described below allow richer and more sophisticated models.
 
  
==The Kalman filter==
+
'''Source(s):''' [http://www.downloadranking.com  Фильтр Калмана]
The Kalman filter is a [[infinite impulse response|recursive]] estimator. This means that only the estimated state from the previous time step and the current measurement are needed to compute the estimate for the current state. In contrast to batch estimation techniques, no history of observations and/or estimates is required. In what follows, the notation <math>\hat{\textbf{x}}_{n|m}</math> represents the estimate of <math>\textbf{x}</math> at time ''n'' given observations up to, and including time ''m''.
 
  
The state of the filter is represented by two variables:
 
  
*<math>\hat{\textbf{x}}_{k|k}</math>, the estimate of the state at time ''k'' given observations up to and including time ''k'';
+
==Фильтр Калмана==
*<math>\textbf{P}_{k|k}</math>, the error covariance matrix (a measure of the estimated [[Accuracy and precision|accuracy]] of the state estimate).
+
Фильтр Калмана является разновидностью рекурсивного фильтра. Это означает, что только результат предыдущей итерации фильтра (в виде оценки состояния системы и оценки погрешности определения этого состояния) и текущие наблюдения нужны для расчета текущего состояния системы. В отличие от пакетных фильтров не требуется хранение никакой истории наблюдений. В следующем дальше тексте запись <math>\hat{\textbf{x}}_{n|m}</math> означает оценку состояния системы <math>\textbf{x}</math> в момент времени ''n'' при учете наблюдений (измерений) с начала работы фильтра и по момент времени ''m'' включительно.
  
The Kalman filter has two distinct phases: '''Predict''' and '''Update'''. The predict phase uses the state estimate from the previous timestep to produce an estimate of the state at the current timestep. In the update phase, measurement information at the current timestep is used to refine this prediction to arrive at a new, (hopefully) more accurate state estimate, again for the current timestep.
+
Состояние фильтра содержится в двух переменных:
  
===Predict===
+
*<math>\hat{\textbf{x}}_{k|k}</math>, оценочное состояние системы в момент времени ''k'', которое получено на основании начального состояния системы и всех наблюдений по момент времени ''k'' включительно;
 +
*<math>\textbf{P}_{k|k}</math>, матрица ковариаций этого состояния, включающая в себя оценку дисперсий погрешности вычисленного состояния и уровни ковариаций, показывающих выявленные взаимосвязи между параметрами состояния системы.
 +
 
 +
Итерация фильтра Калмана делится на две фазы: '''Предсказание''' и '''Учет наблюдений'''. Фаза предсказания использует вычисленное на предыдущем шаге состояние для получения через модель системы  оценочного состояния на текущем шаге. В фазе учета наблюдения информация об измерениях произведенных на текущем шаге используется для уточнения информации о состоянии системы, что делает её в результате (надеемся) более точной.
 +
 
 +
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
===Предсказание===
  
 
<table>
 
<table>
 
<tr>
 
<tr>
<td width="50%">Predicted state</td>
+
<td width="50%">Предсказанное состояние системы</td>
 
<td>
 
<td>
 
<math>\hat{\textbf{x}}_{k|k-1} = \textbf{F}_{k}\hat{\textbf{x}}_{k-1|k-1} + \textbf{B}_{k-1} \textbf{u}_{k-1} </math>
 
<math>\hat{\textbf{x}}_{k|k-1} = \textbf{F}_{k}\hat{\textbf{x}}_{k-1|k-1} + \textbf{B}_{k-1} \textbf{u}_{k-1} </math>
Строка 61: Строка 90:
 
<tr>
 
<tr>
 
<td>
 
<td>
Predicted estimate covariance
+
Оценка предсказания через матрицу ковариаций
 
</td>
 
</td>
 
<td>
 
<td>
Строка 69: Строка 98:
 
</table>
 
</table>
  
===Update===
+
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
===Учет наблюдений===
  
 
<table>
 
<table>
 
<tr>
 
<tr>
<td width="50%">Innovation or measurement residual</td>
+
<td width="50%">Отклонение наблюдения от ожидаемого</td>
 
<td>
 
<td>
 
<math>
 
<math>
Строка 81: Строка 114:
 
</tr>
 
</tr>
 
<tr>
 
<tr>
<td>Innovation (or residual) covariance</td>
+
<td>Матрица ковариаций отклонения</td>
 
<td><math>\textbf{S}_k = \textbf{H}_k \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} + \textbf{R}_k </math></td>
 
<td><math>\textbf{S}_k = \textbf{H}_k \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} + \textbf{R}_k </math></td>
 
</tr>
 
</tr>
 
<tr>
 
<tr>
<td>''Optimal'' Kalman gain</td>
+
<td>''Оптимальная'' по Калману матрица коэффициентов усиления</td>
 
<td><math>\textbf{K}_k = \textbf{P}_{k|k-1}\textbf{H}_k^\text{T}\textbf{S}_k^{-1}</math></td>
 
<td><math>\textbf{K}_k = \textbf{P}_{k|k-1}\textbf{H}_k^\text{T}\textbf{S}_k^{-1}</math></td>
 
</tr>
 
</tr>
 
<tr>
 
<tr>
<td>Updated state estimate</td>
+
<td>Обновлённая оценка состояния системы</td>
 
<td><math>\hat{\textbf{x}}_{k|k} = \hat{\textbf{x}}^{-}_{k|k-1} + \textbf{K}_k\tilde{\textbf{y}}_k</math></td>
 
<td><math>\hat{\textbf{x}}_{k|k} = \hat{\textbf{x}}^{-}_{k|k-1} + \textbf{K}_k\tilde{\textbf{y}}_k</math></td>
 
</tr>
 
</tr>
 
<tr>
 
<tr>
<td>Updated estimate covariance</td>
+
<td>Обновлённая матрица ковариаций вычисленного состояния системы</td>
 
<td><math>\textbf{P}_{k|k} = (I - \textbf{K}_k \textbf{H}_k) \textbf{P}_{k|k-1}</math></td>
 
<td><math>\textbf{P}_{k|k} = (I - \textbf{K}_k \textbf{H}_k) \textbf{P}_{k|k-1}</math></td>
 
</tr>
 
</tr>
 
</table>
 
</table>
  
The formula for the updated estimate covariance above is only valid for the optimal Kalman gain. Usage of other gain values require a more complex formula found in the ''[[Kalman filter#Derivations|derivations]]'' section.
 
  
===Invariants===
+
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
If the model is accurate, and the values for <math>\hat{\textbf{x}}_{0|0}</math> and <math>\textbf{P}_{0|0}</math> accurately reflect the distribution of the initial state values, then the following invariants are preserved: all estimates have mean error zero
+
 
 +
 
 +
Формула для обновленной матрицы ковариаций состояния системы верна только для оптимальной по Калману матрицы '''K'''. Использование другой матрицы '''K''' требует более сложной формулы, которую можно найти ниже, в части ''вывод формул'' этой страницы.
 +
 
 +
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
===Инварианты===
 +
Если модель точна, и значения <math>\hat{\textbf{x}}_{0|0}</math> и <math>\textbf{P}_{0|0}</math> точно отражают функции распределения первоначальных значений вектора состояния системы, тогда следующие инварианты сохраняются после любого количества итераций фильтра Калмана:
 +
 
 +
Все оценки имеют нулевое матожидание погрешности:
 
*<math>\textrm{E}[\textbf{x}_k - \hat{\textbf{x}}_{k|k}] = \textrm{E}[\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}] = 0</math>
 
*<math>\textrm{E}[\textbf{x}_k - \hat{\textbf{x}}_{k|k}] = \textrm{E}[\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}] = 0</math>
 
*<math>\textrm{E}[\tilde{\textbf{y}}_k] = 0</math>
 
*<math>\textrm{E}[\tilde{\textbf{y}}_k] = 0</math>
where <math>\textrm{E}[\xi]</math> is the [[expected value]] of <math>\xi</math>, and [[covariance matrix|covariance matrices]] accurately reflect the covariance of estimates
+
где <math>\textrm{E}[\xi]</math> является матожиданием <math>\xi</math>, и кроме того:
 +
 
 +
Все матрицы ковариаций точно отражают ковариации соответствующих величин:
 
*<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k})</math>
 
*<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k})</math>
 
*<math>\textbf{P}_{k|k-1} = \textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1})</math>
 
*<math>\textbf{P}_{k|k-1} = \textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1})</math>
 
*<math>\textbf{S}_{k} = \textrm{cov}(\tilde{\textbf{y}}_k)</math>
 
*<math>\textbf{S}_{k} = \textrm{cov}(\tilde{\textbf{y}}_k)</math>
  
== Examples ==
 
Consider a truck on perfectly frictionless, infinitely long straight rails. Initially the truck is stationary at position 0, but it is buffeted this way and that by random acceleration. We measure the position of the truck every ''Δt'' seconds, but these measurements are imprecise; we want to maintain a model of where the truck is and what its [[velocity]] is. We show here how we derive the model from which we create our Kalman filter.
 
  
There are no controls on the truck, so we ignore '''B'''<sub>''k''</sub> and '''u'''<sub>''k''</sub>.  Since '''F''', '''H''', '''R''' and '''Q''' are constant, their time indices are dropped.
+
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
== Примеры ==
 +
Рассмотрим грузовик на идеальной бесконечной дороге без трения. Изначально грузовик покоится в положении 0, но начинает двигаться со случайным ускорением. Мы измеряем его положение каждые ''Δt'' секунд, но эти измерения не точные; мы хотим поддерживать информацию о положении грузовика и его скорости. Сейчас мы покажем, как строить модель, из которой мы сможем создать фильтр Калмана для обработки результатов наших измерений.
 +
 
 +
Так как никакого управления в грузовике условиями задач не предусмотрено, мы будем игнорировать '''B'''<sub>''k''</sub> и '''u'''<sub>''k''</sub>.  Кроме того '''F''', '''H''', '''R''' и '''Q''' являются константами, поэтому их индексы по времени мы тоже опустим.
  
The position and velocity of the truck is described by the linear state space
+
Положение и скорость грузовика описываются линейным пространством состояний
  
 
:<math>\textbf{x}_{k} = \begin{bmatrix} x \\ \dot{x} \end{bmatrix} </math>
 
:<math>\textbf{x}_{k} = \begin{bmatrix} x \\ \dot{x} \end{bmatrix} </math>
  
where <math>\dot{x}</math> is the velocity, that is, the derivative of position with respect to time.
+
где <math>\dot{x}</math> скорость, то есть первая производная положения по времени.
  
We assume that between the (''k''&nbsp;&minus;&nbsp;1)<sup>th</sup> and ''k''<sup>th</sup> timestep the truck undergoes a constant acceleration of ''a''<sub>''k''</sub> that is [[normal distribution|normally distributed]], with mean 0 and standard deviation ''σ''<sub>''a''</sub>. From [[Newton's laws of motion]] we conclude that
+
Так же мы будем предполагать, что между моментами времени (''k''&nbsp;&minus;&nbsp;1)<sup>th</sup> и ''k''<sup>th</sup> грузовик двигался с постоянным ускорением ''a''<sub>''k''</sub> которое нормально (по Гауссу) распределено, имеет нулевое матожидание и стандартное отклонение ''σ''<sub>''a''</sub>. Из трёх законов Ньютона мы знаем, что
  
 
:<math>\textbf{x}_{k} = \textbf{F} \textbf{x}_{k-1} + \textbf{G}a_{k}</math>
 
:<math>\textbf{x}_{k} = \textbf{F} \textbf{x}_{k-1} + \textbf{G}a_{k}</math>
  
where
+
где
  
 
:<math>\textbf{F} = \begin{bmatrix} 1 & \Delta t \\ 0 & 1 \end{bmatrix}</math>
 
:<math>\textbf{F} = \begin{bmatrix} 1 & \Delta t \\ 0 & 1 \end{bmatrix}</math>
  
and
+
и
  
 
:<math>\textbf{G} = \begin{bmatrix} \frac{\Delta t^{2}}{2} \\ \Delta t \end{bmatrix} </math>
 
:<math>\textbf{G} = \begin{bmatrix} \frac{\Delta t^{2}}{2} \\ \Delta t \end{bmatrix} </math>
  
We find that
+
Далее вычислим
  
 
:<math> \textbf{Q} = \textrm{cov}(\textbf{G}a) = \textrm{E}[(\textbf{G}a)(\textbf{G}a)^{\text{T}}] = \textbf{G} \textrm{E}[a^2] \textbf{G}^{\text{T}} = \textbf{G}[\sigma_a^2]\textbf{G}^{\text{T}} = \sigma_a^2 \textbf{G}\textbf{G}^{\text{T}}</math> (since ''σ''<sub>''a''</sub> is a scalar).
 
:<math> \textbf{Q} = \textrm{cov}(\textbf{G}a) = \textrm{E}[(\textbf{G}a)(\textbf{G}a)^{\text{T}}] = \textbf{G} \textrm{E}[a^2] \textbf{G}^{\text{T}} = \textbf{G}[\sigma_a^2]\textbf{G}^{\text{T}} = \sigma_a^2 \textbf{G}\textbf{G}^{\text{T}}</math> (since ''σ''<sub>''a''</sub> is a scalar).
  
At each time step, a noisy measurement of the true position of the truck is made. Let us suppose the noise is also normally distributed, with mean 0 and standard deviation ''σ''<sub>z</sub>.
+
На каждом шаге по времени производится неточное измерение положения грузовика. Давайте предположим, что эта погрешность так же нормально распределена с матожиданием 0 и стандартным отклонением ''σ''<sub>z</sub>.
  
 
:<math>\textbf{z}_{k} = \textbf{H x}_{k} + \textbf{v}_{k}</math>
 
:<math>\textbf{z}_{k} = \textbf{H x}_{k} + \textbf{v}_{k}</math>
  
where
+
где
  
 
:<math>\textbf{H} = \begin{bmatrix} 1 & 0 \end{bmatrix} </math>
 
:<math>\textbf{H} = \begin{bmatrix} 1 & 0 \end{bmatrix} </math>
  
and
+
и
  
 
:<math>\textbf{R} = \textrm{E}[\textbf{v}_k \textbf{v}_k^{\text{T}}] = \begin{bmatrix} \sigma_z^2 \end{bmatrix} </math>
 
:<math>\textbf{R} = \textrm{E}[\textbf{v}_k \textbf{v}_k^{\text{T}}] = \begin{bmatrix} \sigma_z^2 \end{bmatrix} </math>
  
We know the initial starting state of the truck with perfect precision, so we initialize
+
Мы знаем начальное положение грузовика с идеальной точностью, поэтому инициализируем
  
 
:<math>\hat{\textbf{x}}_{0|0} = \begin{bmatrix} 0 \\ 0 \end{bmatrix} </math>
 
:<math>\hat{\textbf{x}}_{0|0} = \begin{bmatrix} 0 \\ 0 \end{bmatrix} </math>
  
and to tell the filter that we know the exact position, we give it a zero covariance matrix:
+
и чтобы сказать фильтру, что мы знаем точное положение в начале работы, мы даём ему нулевую матрицу ковариаций:
  
 
:<math>\textbf{P}_{0|0} = \begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix} </math>
 
:<math>\textbf{P}_{0|0} = \begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix} </math>
  
If the initial position and velocity are not known perfectly the covariance matrix should be initialized with a suitably large number, say ''B'', on its diagonal.  
+
Если начальное положение и скорость не известны с идеальной точностью, тогда можно инициализировать матрицу ковариаций достаточно большими числами, обозначенными ниже как ''B'', на её диагонали.
  
 
:<math>\textbf{P}_{0|0} = \begin{bmatrix} B & 0 \\ 0 & B \end{bmatrix} </math>
 
:<math>\textbf{P}_{0|0} = \begin{bmatrix} B & 0 \\ 0 & B \end{bmatrix} </math>
  
The filter will then prefer the information from the first measurements over the information already in the model.
+
В этом случае фильтр Калмана предпочтет использовать информацию из первых измерений, чем выданную ему изначально информацию о состоянии системы.
  
== Derivations ==
+
== Вывод формул ==
===Deriving the posterior estimate covariance matrix===
+
=== Вывод матрицы ковариаций с учетом наблюдений ===
  
Starting with our invariant on the error covariance '''P'''<sub>''k''|''k''</sub> as above
+
Начнем с инварианта, представляющего матрицу ковариаций погрешностей полученного состояния системы '''P'''<sub>''k''|''k''</sub> определенной выше как
  
 
:<math>\textbf{P}_{k|k}  = \textrm{cov}(\textbf{x}_{k} - \hat{\textbf{x}}_{k|k})</math>
 
:<math>\textbf{P}_{k|k}  = \textrm{cov}(\textbf{x}_{k} - \hat{\textbf{x}}_{k|k})</math>
  
substitute in the definition of <math>\hat{\textbf{x}}_{k|k}</math>
+
подставим в него развёрнутое значение <math>\hat{\textbf{x}}_{k|k}</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k\tilde{\textbf{y}}_{k}))</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k\tilde{\textbf{y}}_{k}))</math>
and substitute <math>\tilde{\textbf{y}}_k</math>
+
и заменим <math>\tilde{\textbf{y}}_k</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k(\textbf{z}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1})))</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k(\textbf{z}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1})))</math>
and <math>\textbf{z}_{k}</math>
+
и <math>\textbf{z}_{k}</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k(\textbf{H}_k\textbf{x}_k + \textbf{v}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1})))</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k(\textbf{H}_k\textbf{x}_k + \textbf{v}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1})))</math>
and by collecting the error vectors we get
+
вынеся отдельно вектор погрешности измерения '''v'''<sub>''k''</sub>, получаем
 
:<math>\textbf{P}_{k|k} = \textrm{cov}((I - \textbf{K}_k \textbf{H}_{k})(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}) - \textbf{K}_k \textbf{v}_k )</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}((I - \textbf{K}_k \textbf{H}_{k})(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}) - \textbf{K}_k \textbf{v}_k )</math>
Since the measurement error '''v'''<sub>''k''</sub> is uncorrelated with the other terms, this becomes
+
Так как '''v'''<sub>''k''</sub> не коррелирует с другими значениям в формуле, получаем
 
:<math>\textbf{P}_{k|k} = \textrm{cov}((I - \textbf{K}_k \textbf{H}_{k})(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}))  + \textrm{cov}(\textbf{K}_k \textbf{v}_k )</math>
 
:<math>\textbf{P}_{k|k} = \textrm{cov}((I - \textbf{K}_k \textbf{H}_{k})(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}))  + \textrm{cov}(\textbf{K}_k \textbf{v}_k )</math>
by the properties of [[covariance matrix|vector covariance]] this becomes
+
по свойствам ковариации вектора это преобразуется в
 
:<math>\textbf{P}_{k|k} = (I - \textbf{K}_k \textbf{H}_{k})\textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1})(I - \textbf{K}_k \textbf{H}_{k})^{\text{T}}  + \textbf{K}_k\textrm{cov}(\textbf{v}_k )\textbf{K}_k^{\text{T}}</math>
 
:<math>\textbf{P}_{k|k} = (I - \textbf{K}_k \textbf{H}_{k})\textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1})(I - \textbf{K}_k \textbf{H}_{k})^{\text{T}}  + \textbf{K}_k\textrm{cov}(\textbf{v}_k )\textbf{K}_k^{\text{T}}</math>
which, using our invariant on '''P'''<sub>''k''|''k''-1</sub> and the definition of '''R'''<sub>''k''</sub> becomes
+
если теперь использовать наш инвариант '''P'''<sub>''k''|''k''-1</sub> и определение '''R'''<sub>''k''</sub>, то получим
 
:<math>\textbf{P}_{k|k} =  
 
:<math>\textbf{P}_{k|k} =  
 
(I - \textbf{K}_k \textbf{H}_{k}) \textbf{P}_{k|k-1} (I - \textbf{K}_k \textbf{H}_{k})^\text{T} +
 
(I - \textbf{K}_k \textbf{H}_{k}) \textbf{P}_{k|k-1} (I - \textbf{K}_k \textbf{H}_{k})^\text{T} +
 
\textbf{K}_k \textbf{R}_k \textbf{K}_k^\text{T}
 
\textbf{K}_k \textbf{R}_k \textbf{K}_k^\text{T}
 
</math>
 
</math>
This formula (sometimes known as the "'''Joseph form'''" of the covariance update equation) is valid no matter what the value of '''K'''<sub>''k''</sub>. It turns out that if '''K'''<sub>''k''</sub> is the optimal Kalman gain, this can be simplified further as shown below.
+
Эта формула (иногда называемая "'''формой Йосефа'''" для уравнения обновления ковариации) верна не зависимо от выбора матрицы '''K'''<sub>''k''</sub>. Однако если в качестве '''K'''<sub>''k''</sub> взята матрица оптимального по Калману коэффициента усиления, то её можно еще упростить, как это сделать мы расскажем ниже.
 +
 
 +
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
  
===Kalman gain derivation===
+
===Вывод оптимальной матрицы коэффициентов усиления===
The Kalman filter is a [[minimum mean-square error]] estimator. The error in the posterior state estimation is
+
Фильтр Калмана является фильтром, минимизирующим сумму квадратов матожидания погрешностей. Вектор погрешностей после корректировки оценочного состояния системы выглядит следующим образом
 
:<math>\textbf{x}_{k} - \hat{\textbf{x}}_{k|k}</math>
 
:<math>\textbf{x}_{k} - \hat{\textbf{x}}_{k|k}</math>
  
We seek to minimize the expected value of the square of the magnitude of this vector, <math>\textrm{E}[|\textbf{x}_{k} - \hat{\textbf{x}}_{k|k}|^2]</math>. This is equivalent to minimizing the [[trace (matrix)|trace]] of the posterior estimate covariance matrix <math> \textbf{P}_{k|k} </math>. By expanding out the terms in the equation above and collecting, we get:
+
Мы будем минимизировать сумму квадратов матожидания координат этого вектора, <math>\textrm{E}[|\textbf{x}_{k} - \hat{\textbf{x}}_{k|k}|^2]</math>. Это эквивалентно минимизации следа (суммы элементов на главной диагонали) матрицы ковариаций оценочного состояния системы после корректировки <math> \textbf{P}_{k|k} </math>. Подставив в это уравнение имеющиеся у нас формулы и проделав несколько преобразований, мы получаем:
 
:{|
 
:{|
 
|-
 
|-
Строка 202: Строка 255:
 
|}
 
|}
  
The trace is minimized when the [[Matrix calculus|matrix derivative]] is zero:
+
След матрицы минимален, когда производная матрицы равна нулю:
 
:<math>\frac{\partial \; \textrm{tr}(\textbf{P}_{k|k})}{\partial \;\textbf{K}_k} = -2 (\textbf{H}_k \textbf{P}_{k|k-1})^\text{T} + 2 \textbf{K}_k \textbf{S}_k  = 0</math>
 
:<math>\frac{\partial \; \textrm{tr}(\textbf{P}_{k|k})}{\partial \;\textbf{K}_k} = -2 (\textbf{H}_k \textbf{P}_{k|k-1})^\text{T} + 2 \textbf{K}_k \textbf{S}_k  = 0</math>
  
Solving this for '''K'''<sub>''k''</sub> yields the Kalman gain:
+
Решая это уравнение относительно '''K'''<sub>''k''</sub> мы получаем оптимальный по Калману коэффициент усиления:
  
 
:<math>\textbf{K}_k \textbf{S}_k = (\textbf{H}_k \textbf{P}_{k|k-1})^\text{T} = \textbf{P}_{k|k-1} \textbf{H}_k^\text{T}</math>
 
:<math>\textbf{K}_k \textbf{S}_k = (\textbf{H}_k \textbf{P}_{k|k-1})^\text{T} = \textbf{P}_{k|k-1} \textbf{H}_k^\text{T}</math>
Строка 211: Строка 264:
 
:<math> \textbf{K}_{k} = \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} \textbf{S}_k^{-1}</math>
 
:<math> \textbf{K}_{k} = \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} \textbf{S}_k^{-1}</math>
  
This gain, which is known as the ''optimal Kalman gain'', is the one that yields [[Minimum mean-square error|MMSE]] estimates when used.
+
Эта матрица, является искомой и минимизирует сумму квадратов матожидания координат вектора погрешности оценочного состояния системы.
 +
 
 +
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
  
=== Simplification of the posterior error covariance formula ===
+
=== Упрощение для полученной скорректированной матрицы ковариаций ===
The formula used to calculate the posterior error covariance can be simplified when the Kalman gain equals the optimal value derived above. Multiplying both sides of our Kalman gain formula on the right by '''S'''<sub>''k''</sub>'''K'''<sub>''k''</sub><sup>''T''</sup>, it follows that
+
Формула для расчета скорректированной матрицы ковариаций может быть упрощена, если в ней мы используем матрицу '''K'''<sub>''k''</sub> оптимальную по Калману (выведенную выше). Умножая обе стороны формулы вывода этой матрицы на '''S'''<sub>''k''</sub>'''K'''<sub>''k''</sub><sup>''T''</sup>, получаем
 
:<math>\textbf{K}_k \textbf{S}_k \textbf{K}_k^T = \textbf{P}_{k|k-1} \textbf{H}_k^T \textbf{K}_k^T</math>
 
:<math>\textbf{K}_k \textbf{S}_k \textbf{K}_k^T = \textbf{P}_{k|k-1} \textbf{H}_k^T \textbf{K}_k^T</math>
Referring back to our expanded formula for the posterior error covariance,
+
Если это подставить в нашу полную формулу для скорректированной матрицы ковариаций, получим
 
:<math> \textbf{P}_{k|k} = \textbf{P}_{k|k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1}  - \textbf{P}_{k|k-1} \textbf{H}_k^T \textbf{K}_k^T + \textbf{K}_k \textbf{S}_k \textbf{K}_k^T</math>
 
:<math> \textbf{P}_{k|k} = \textbf{P}_{k|k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1}  - \textbf{P}_{k|k-1} \textbf{H}_k^T \textbf{K}_k^T + \textbf{K}_k \textbf{S}_k \textbf{K}_k^T</math>
we find the last two terms cancel out, giving
+
видно, что последние 2 слагаемых ликвидируются, и мы получаем
 
:<math> \textbf{P}_{k|k} = \textbf{P}_{k|k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1} = (I - \textbf{K}_{k} \textbf{H}_{k}) \textbf{P}_{k|k-1}.</math>
 
:<math> \textbf{P}_{k|k} = \textbf{P}_{k|k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1} = (I - \textbf{K}_{k} \textbf{H}_{k}) \textbf{P}_{k|k-1}.</math>
  
This formula is computationally cheaper and thus nearly always used in practice, but is only correct for the optimal gain. If arithmetic precision is unusually low causing problems with [[numerical stability]], or if a non-optimal Kalman gain is deliberately used, this simplification cannot be applied; the posterior error covariance formula as derived above must be used.
+
Эта формула значительно проще в смысле вычислительной сложности (объем вычислений требуемый для её применения) и практически всегда используется на практике, но она верна только для оптимального по Калману коэффициента усиления. Если точность арифметических операций необычайно мала и вызывает проблемы с [[:ru:Вычислительная устойчивость|вычислительной устройчивостью]], или если используется коэффициент усиления, отличный от оптимального по Калману, это упрощение не может быть применено и должна использоваться полная формула для скорректированной матрицы ковариаций.
 +
 
 +
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
  
 
== Relationship to the digital filter ==
 
== Relationship to the digital filter ==
  
 
The Kalman filter can be regarded as an adaptive low-pass infinite impulse response [[digital filter]], with cut-off frequency depending on the ratio between the process- and measurement (or observation) noise, as well as the estimate covariance. Frequency response is, however, rarely of interest when designing state estimators such as the Kalman Filter, whereas for digital filters such as [[Infinite impulse response|IIR]] and [[Finite impulse response|FIR]] filters, frequency response is usually of primary concern. For the Kalman Filter, the important goal is how accurate the filter is, and this is most often decided based on empirical Monte Carlo simulations, where "truth" (the true state) is known.
 
The Kalman filter can be regarded as an adaptive low-pass infinite impulse response [[digital filter]], with cut-off frequency depending on the ratio between the process- and measurement (or observation) noise, as well as the estimate covariance. Frequency response is, however, rarely of interest when designing state estimators such as the Kalman Filter, whereas for digital filters such as [[Infinite impulse response|IIR]] and [[Finite impulse response|FIR]] filters, frequency response is usually of primary concern. For the Kalman Filter, the important goal is how accurate the filter is, and this is most often decided based on empirical Monte Carlo simulations, where "truth" (the true state) is known.
 +
 +
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
  
 
== Relationship to [[recursive Bayesian estimation]] ==
 
== Relationship to [[recursive Bayesian estimation]] ==
Строка 270: Строка 335:
  
 
Note that the PDF at the previous timestep is inductively assumed to be the estimated state and covariance. This is justified because, as an optimal estimator, the Kalman filter makes best use of the measurements, therefore the PDF for <math>\mathbf{x}_k</math>  given the measurements <math>\mathbf{Z}_k</math>  ''is''  the Kalman filter estimate.
 
Note that the PDF at the previous timestep is inductively assumed to be the estimated state and covariance. This is justified because, as an optimal estimator, the Kalman filter makes best use of the measurements, therefore the PDF for <math>\mathbf{x}_k</math>  given the measurements <math>\mathbf{Z}_k</math>  ''is''  the Kalman filter estimate.
 +
 +
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
  
 
==Information filter==
 
==Information filter==
Строка 428: Строка 497:
 
** <math> \tilde{\textbf{K}}_k = \textbf{F}_k^{-1} \textbf{Q}_k \textbf{P}_{k+1|k}^{-1}  </math>
 
** <math> \tilde{\textbf{K}}_k = \textbf{F}_k^{-1} \textbf{Q}_k \textbf{P}_{k+1|k}^{-1}  </math>
  
==Non-linear filters==
+
==Нелинейные фильтры==
The basic Kalman filter is limited to a linear assumption. However, most non-trivial systems are non-linear. The non-linearity can be associated either with the process model or with the observation model or with both.  
+
Изначально фильтр Калмана ограничен по области применения линейными системами. Однако большинство интересных для анализа систем являются нелинейными. Эта нелинейность может иметь отношение к модели процесса, к модели наблюдения или к обоим.
 +
 
 +
 
 +
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
  
===Extended Kalman filter===
+
===Расширенный фильтр Калмана (EKF) ===
{{main|Extended Kalman filter}}
+
В расширенном фильтре Калмана, (extended Kalman filter, EKF) не требуется, чтобы модель состояния системы и модель наблюдения были линейными функциями, вместо этого требуется, чтобы они были дифференцируемы по состоянию системы.
In the extended Kalman filter, (EKF) the state transition and observation models need not be linear functions of the state but may instead be ([[differentiable]]) functions.  
 
  
 
:<math>\textbf{x}_{k} = f(\textbf{x}_{k-1}, \textbf{u}_{k}) + \textbf{w}_{k}</math>
 
:<math>\textbf{x}_{k} = f(\textbf{x}_{k-1}, \textbf{u}_{k}) + \textbf{w}_{k}</math>
Строка 439: Строка 511:
 
:<math>\textbf{z}_{k} = h(\textbf{x}_{k}) + \textbf{v}_{k}</math>
 
:<math>\textbf{z}_{k} = h(\textbf{x}_{k}) + \textbf{v}_{k}</math>
  
The function ''f'' can be used to compute the predicted state from the previous estimate and similarly the function ''h'' can be used to compute the predicted measurement from the predicted state. However, ''f'' and ''h'' cannot be applied to the covariance directly. Instead a matrix of partial derivatives (the [[Jacobian]]) is computed.
+
В этой модели функция ''f'' используется для расчета предсказываемого оценочного состояния системы из предыдущего и аналогично функция ''h'' используется для предсказываемого результата измерения из предсказанного состояния системы. Не смотря на то, что ''f'' и ''h'' не могут быть применены для расчета ковариаций напрямую, мы можем использовать вместо них соответствующие матрицы частных производных (Якобианы) в соответствующих точках (в предыдущем и предсказанном состояниях системы).
  
At each timestep the Jacobian is evaluated with current predicted states. These matrices can be used in the Kalman filter equations. This process essentially linearizes the non-linear function around the current estimate.
+
На каждом шаге мы расчитываем эти Якобианы и просто подставляем их вместо матриц F и H в обычные формулы фильтра Калмана. Таким образом мы просто линеаризуем нелинейные функции ''f'' и ''h'' вблизи соответствующих точек, что допускается, т.к. они по объявленным в начале требованиям дифференцируемы.
  
===Unscented Kalman filter===
 
  
When the state transition and observation models – that is, the predict and update functions <math>f</math> and <math>h</math> (see above) – are highly non-linear, the extended Kalman filter can give particularly poor performance.<ref name="JU97">{{cite journal
+
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
===Сигма-точечный фильтр (UKF)===
 +
 
 +
Когда модели состояния системы и наблюдения, а значит и функции предсказания состояния системы и модели наблюдения <math>f</math> и <math>h</math> (см. выше) – в значительной степени нелинейны, расширенная версия фильтра Калмана может быть не эффективна.<ref name="JU97">{{cite journal
 
  | author = Julier, S.J.
 
  | author = Julier, S.J.
 
  | coauthors = Uhlmann, J.K.
 
  | coauthors = Uhlmann, J.K.
Строка 456: Строка 532:
 
}}</ref> This is because the mean and covariance are propagated through linearization of the underlying non-linear model. The '''unscented Kalman filter (UKF)'''&nbsp;<ref name="JU97"/> uses a deterministic sampling technique known as the [[unscented transform]] to pick a minimal set of sample points (called sigma points) around the mean. These sigma points are then propagated through the non-linear functions, from which the mean and covariance of the estimate are then recovered. The result is a filter which more accurately captures the true mean and covariance. (This can be verified using [[Monte Carlo sampling]] or through a Taylor series expansion of the posterior statistics.) In addition, this technique removes the requirement to explicitly calculate Jacobians, which for complex functions can be a difficult task in itself (i.e., requiring complicated derivatives if done analytically or being computationally costly if done numerically).
 
}}</ref> This is because the mean and covariance are propagated through linearization of the underlying non-linear model. The '''unscented Kalman filter (UKF)'''&nbsp;<ref name="JU97"/> uses a deterministic sampling technique known as the [[unscented transform]] to pick a minimal set of sample points (called sigma points) around the mean. These sigma points are then propagated through the non-linear functions, from which the mean and covariance of the estimate are then recovered. The result is a filter which more accurately captures the true mean and covariance. (This can be verified using [[Monte Carlo sampling]] or through a Taylor series expansion of the posterior statistics.) In addition, this technique removes the requirement to explicitly calculate Jacobians, which for complex functions can be a difficult task in itself (i.e., requiring complicated derivatives if done analytically or being computationally costly if done numerically).
  
'''Predict'''
+
'''Предсказание'''
  
 
As with the EKF, the UKF prediction can be used independently from the UKF update, in combination with a linear (or indeed EKF) update, or vice versa.
 
As with the EKF, the UKF prediction can be used independently from the UKF update, in combination with a linear (or indeed EKF) update, or vice versa.
Строка 483: Строка 559:
 
|}
 
|}
  
where
+
где
  
 
:{|
 
:{|
Строка 490: Строка 566:
 
|}
 
|}
  
is the ''i''th column of the matrix square root of
+
это ''i''-я колонка квадратного корня матрицы
  
 
:{|
 
:{|
Строка 497: Строка 573:
 
|}
 
|}
  
using the definition: square root ''A'' of matrix ''B'' satisfies
+
использующего определение: квадратный корень ''A'' матрицы ''B'' удовлетворяет условию
  
 
:{|
 
:{|
Строка 503: Строка 579:
 
|}
 
|}
  
The matrix square root should be calculated using numerically efficient and stable methods such as the [[Cholesky decomposition]].
+
Квадратный корень матрицы должен рассчитываться используя устойчивые эффективные числовые методы, такие как [[Cholesky decomposition]].
  
 
The sigma points are propagated through the transition function ''f''.
 
The sigma points are propagated through the transition function ''f''.
Строка 524: Строка 600:
 
Typical values for <math>\alpha</math>, <math>\beta</math>, and <math>\kappa</math> are <math>10^{-3}</math>, 2 and 0 respectively. (These values should suffice for most purposes.){{Fact|date=April 2009}}
 
Typical values for <math>\alpha</math>, <math>\beta</math>, and <math>\kappa</math> are <math>10^{-3}</math>, 2 and 0 respectively. (These values should suffice for most purposes.){{Fact|date=April 2009}}
  
'''Update'''
+
'''Учет наблюдений'''
  
 
The predicted state and covariance are augmented as before, except now with the mean and covariance of the measurement noise.  
 
The predicted state and covariance are augmented as before, except now with the mean and covariance of the measurement noise.  
Строка 553: Строка 629:
 
:<math> \chi_{k|k-1} := [ \chi_{k|k-1}^T \quad E[\textbf{v}_{k}^{T}] \ ]^{T} \pm \sqrt{ (L + \lambda) \textbf{R}_{k}^{a} }</math>
 
:<math> \chi_{k|k-1} := [ \chi_{k|k-1}^T \quad E[\textbf{v}_{k}^{T}] \ ]^{T} \pm \sqrt{ (L + \lambda) \textbf{R}_{k}^{a} }</math>
  
where
+
где
  
 
:<math> \textbf{R}_{k}^{a} = \begin{bmatrix} & 0 & & 0 & \\ & 0 & &\textbf{R}_{k} & \end{bmatrix} </math>
 
:<math> \textbf{R}_{k}^{a} = \begin{bmatrix} & 0 & & 0 & \\ & 0 & &\textbf{R}_{k} & \end{bmatrix} </math>
Строка 583: Строка 659:
 
:<math>\textbf{P}_{k|k} = \textbf{P}_{k|k-1} - K_{k} \textbf{P}_{z_{k}z_{k}} K_{k}^{T} </math>
 
:<math>\textbf{P}_{k|k} = \textbf{P}_{k|k-1} - K_{k} \textbf{P}_{z_{k}z_{k}} K_{k}^{T} </math>
  
==Kalman&ndash;Bucy filter==
 
The Kalman&ndash;Bucy filter is a continuous time version of the Kalman filter.<ref>Bucy, R.S. and Joseph, P.D., ''Filtering for Stochastic Processes with Applications to Guidance,'' John Wiley & Sons, 1968; 2nd Edition, AMS Chelsea Publ., 2005. ISBN 0821837826</ref><ref>Jazwinski, Andrew H., ''Stochastic processes and filtering theory,'' Academic Press, New York, 1970. ISBN 0123815509 </ref>
 
  
It is based on the state space model
+
'''Source(s):'''  [http://www.downloadranking.com  Фильтр Калмана]
 +
 
 +
 
 +
==Фильтр Калмана-Бьюси==
 +
Фильтр Калмана-Бьюси это непрерывная версия фильтра Калмана .<ref>Bucy, R.S. and Joseph, P.D., ''Filtering for Stochastic Processes with Applications to Guidance,'' John Wiley & Sons, 1968; 2nd Edition, AMS Chelsea Publ., 2005. ISBN 0821837826</ref><ref>Jazwinski, Andrew H., ''Stochastic processes and filtering theory,'' Academic Press, New York, 1970. ISBN 0123815509 </ref>
 +
 
 +
Он основан на следующей модели пространства состояний системы
  
 
:<math>\frac{d}{dt}\mathbf{x}(t) = \mathbf{F}(t)\mathbf{x}(t) + \mathbf{w}(t)</math>
 
:<math>\frac{d}{dt}\mathbf{x}(t) = \mathbf{F}(t)\mathbf{x}(t) + \mathbf{w}(t)</math>
Строка 592: Строка 672:
 
:<math>\mathbf{z}(t) = \mathbf{H}(t) \mathbf{x}(t) + \mathbf{v}(t)</math>
 
:<math>\mathbf{z}(t) = \mathbf{H}(t) \mathbf{x}(t) + \mathbf{v}(t)</math>
  
where the covariances of the noise terms <math>\mathbf{w}(t)</math> and <math>\mathbf{v}(t)</math> are given by <math>\mathbf{Q}(t)</math> and <math>\mathbf{R}(t)</math>, respectively.
+
где матрицами ковариаций погрешностей <math>\mathbf{w}(t)</math> и <math>\mathbf{v}(t)</math> являются <math>\mathbf{Q}(t)</math> и <math>\mathbf{R}(t)</math>, соответственно.
  
The filter consists of two differential equations, one for the state estimate and one for the covariance:
+
Фильтр состоит из двух дифференциальных уравнений, одно для функции оценочного состояния системы, а второе для функции матрицы ковариаций этого состояния:
  
 
:<math>\frac{d}{dt}\hat{\mathbf{x}}(t) = \mathbf{F}(t)\hat{\mathbf{x}}(t) + \mathbf{K}(t) (\mathbf{z}(t)-\mathbf{H}(t)\hat{\mathbf{x}}(t))</math>
 
:<math>\frac{d}{dt}\hat{\mathbf{x}}(t) = \mathbf{F}(t)\hat{\mathbf{x}}(t) + \mathbf{K}(t) (\mathbf{z}(t)-\mathbf{H}(t)\hat{\mathbf{x}}(t))</math>
Строка 600: Строка 680:
 
:<math>\frac{d}{dt}\mathbf{P}(t) = \mathbf{F}(t)\mathbf{P}(t) + \mathbf{P}(t)\mathbf{F}^{T}(t) + \mathbf{Q}(t) - \mathbf{K}(t)\mathbf{R}(t)\mathbf{K}^{T}(t)</math>
 
:<math>\frac{d}{dt}\mathbf{P}(t) = \mathbf{F}(t)\mathbf{P}(t) + \mathbf{P}(t)\mathbf{F}^{T}(t) + \mathbf{Q}(t) - \mathbf{K}(t)\mathbf{R}(t)\mathbf{K}^{T}(t)</math>
  
where the Kalman gain is given by
+
где коэффициент усиления Калмана определен, как
  
 
:<math>\mathbf{K}(t)=\mathbf{P}(t)\mathbf{H}^{T}(t)\mathbf{R}^{-1}(t)</math>
 
:<math>\mathbf{K}(t)=\mathbf{P}(t)\mathbf{H}^{T}(t)\mathbf{R}^{-1}(t)</math>
  
Note that in this expression for <math>\mathbf{K}(t)</math> the covariance of the observation noise <math>\mathbf{R}(t)</math> represents at the same time the covariance of the prediction error (or ''innovation'') <math>\tilde{\mathbf{y}}(t)=\mathbf{z}(t)-\mathbf{H}(t)\hat{\mathbf{x}}(t)</math>; these covariances are equal only in the case of continuous time.<ref>Kailath, Thomas, "An innovation approach to least-squares estimation Part I: Linear filtering in additive white noise", ''IEEE Transactions on Automatic Control'', 13(6), 646-655, 1968</ref>
+
Обратите внимение, что в выражении для <math>\mathbf{K}(t)</math> матрица ковариаций погрешности наблюдения  <math>\mathbf{R}(t)</math> является одновременно матрицей ковариаций ошибки корректировки вектора состояния системы <math>\tilde{\mathbf{y}}(t)=\mathbf{z}(t)-\mathbf{H}(t)\hat{\mathbf{x}}(t)</math>; эти ковариации совпадают только в непрерывном случае.<ref>Kailath, Thomas, "An innovation approach to least-squares estimation Part I: Linear filtering in additive white noise", ''IEEE Transactions on Automatic Control'', 13(6), 646-655, 1968</ref>
 
 
The distinction between the prediction and update steps of discrete-time Kalman filtering does not exist in continuous time.
 
 
 
The second differential equation, for the covariance, is an example of a [[Riccati equation]].
 
  
 +
В непрерывном случае отсутствуют отдельные шаги для расчета результата управляющего воздействия и внесения информации о результатах наблюдений, которые можно выделить для дискретной по времени модели.
  
== Naming and historical development ==
+
Второе дифференциальное уравнение для ковариаций является примером уравнения Риккати.
  
The filter is named after [[Rudolf E. Kalman]], though [[Thorvald Nicolai Thiele]]<ref>[http://www.stats.ox.ac.uk/~steffen/ Steffen L. Lauritzen]. "Time series analysis in 1880. A discussion of contributions made by T.N. Thiele". ''International Statistical Review'' 49, 1981, 319-333.</ref><ref>[[Steffen L. Lauritzen]], ''[http://www.oup.com/uk/catalogue/?ci=9780198509721 Thiele: Pioneer in Statistics]'', [[Oxford University Press]], 2002. ISBN 0-19-850972-3.</ref> and [[Peter Swerling]] developed a similar algorithm earlier.
 
[[Stanley F. Schmidt]] is generally credited with developing the first implementation of a Kalman filter. It was during a visit of Kalman to the [[NASA Ames Research Center]] that he saw the applicability of his ideas to the problem of trajectory estimation for the [[Project Apollo|Apollo program]], leading to its incorporation in the Apollo navigation computer. 
 
The filter was developed in papers by Swerling (1958), Kalman (1960), and Kalman and Bucy (1961).
 
  
The filter is sometimes called ''Stratonovich&ndash;Kalman&ndash;Bucy filter'' because it is a special case of a more general, non-linear filter developed earlier by [[Ruslan L. Stratonovich]].<ref>[[Ruslan L. Stratonovich|Stratonovich, R.L.]] (1959). ''Optimum nonlinear systems which bring about a separation of a signal with constant parameters from noise''. Radiofizika, 2:6, pp.&nbsp;892&ndash;901.</ref><ref>[[Ruslan L. Stratonovich|Stratonovich, R.L.]] (1960) ''Application of the Markov processes theory to optimal filtering''. Radio Engineering and Electronic Physics, 5:11, pp.&nbsp;1&ndash;19.</ref> In fact, equations of the special case, linear filter appeared in these papers by Stratonovich that were published before summer 1960, when Kalman met with Stratonovich during a conference in Moscow.
+
'''Source(s):''' [http://www.downloadranking.com  Фильтр Калмана]
  
In [[control theory]], the Kalman filter is most commonly referred to as '''linear quadratic estimation''' (LQE).
 
  
A wide variety of Kalman filters have now been developed, from Kalman's original formulation, now called the ''simple'' Kalman filter, to Schmidt's ''extended'' filter, the ''information'' filter and a variety of ''square-root'' filters developed by Bierman, Thornton and many others. Perhaps the most commonly used type of Kalman filter is the [[phase-locked loop]] now ubiquitous in radios, computers, and nearly any other type of video or communications equipment.
+
== Сноски ==
 +
<references />

Текущая версия на 10:08, 22 марта 2013

(перевод статьи "Kalman Filter" из англоязычной википедии)
Исходная статья: w:en:Kalman filter

Авторство исходной статьи коллективное

Перевод: © Ботов Антон aka =DeaD=, 2009

Эксклюзивно для www.roboforum.ru
копирование на другие ресурсы и публикация перевода
без разрешения его автора запрещены


Фильтр Калмана это эффективный рекурсивный фильтр, который оценивает состояние линейной динамической системы по серии неточных измерений. Он используется в широком спектре задач от радаров до систем технического зрения, и является важной частью теории управления системами.


Source(s): Фильтр Калмана


Примеры решаемых фильтром задач

В качестве примера можно привести предоставление точной, поддерживаемой в актуальном состоянии, информации о положении и скорости объекта, при наличии серии измерений положения объекта, каждое из которых в некоторой степени неточно. Например, в радарах при отслеживании цели мы имеем очень зашумлённую (неточную) информацию о положении, скорости и ускорении наблюдаемого объекта. Фильтр Калмана использует известную нам математическую модель динамики объекта, которая описывает какие вообще изменения состояния объекта возможны, чтобы устранить погрешности измерения и предоставить хорошей точности положение объекта в данный момент (фильтрация), в будущие моменты (предсказание), или в какие-то из прошедших моментов (интерполяция или сглаживание).

В качестве альтернативного примера рассмотрим старый тихоходный автомобиль, про который точно известно, что он разгоняется от 0 до 100км/ч не менее чем за 10 секунд. Представим, что спидометр этого автомобиля барахлит и показывает скорость с погрешностью 60км/ч от настоящей. Из неподвижного положения, которое измерено точно, потому что колёса не вращались, водитель нажимает педаль газа в пол и через 5 секунд спидометр показывает 110км/ч, но водитель то знает, что машина не может так быстро разогнаться, поэтому он использует информацию о погрешности и понимает, что сейчас скорее всего, учитывая то, что он знает на сколько может врать спидометр, скорость около 50км/ч. Так же и фильтр Калмана использует информацию о погрешности измерений и о том, каким правилам подчиняется динамическая система, для минимизации погрешности измерений и предоставления максимально точной информации о состоянии системы.

Наглядные примеры в сети:


Source(s): Фильтр Калмана


Используемая модель динамической системы

Фильтры Калмана основываются на линейных динамических системах, дискретизированных по времени. Они моделируются цепями Маркова, построенными на линейных операторах с внесенными погрешностями с нормальным Гауссовым распределением. Состояние системы считается вектор из действительных чисел. При каждом шаге по времени, линейный оператор применяется к вектору состояния системы, добавляется некоторая погрешность и опционально некоторая информация об управляющих воздействиях на систему, если таковая известна. После чего другим линейным оператором с другой погрешностью добавляется видимая информация о состоянии системы. Фильтр Калмана можно рассматривать в качестве аналога скрытым моделям Маркова, с тем ключевым отличием, что переменные, описывающие состояние системы, являются элементами бесконечного множества действительных чисел (в отличие от конечного множества пространства состояний в скрытых моделях Маркова). Кроме того, скрытые модели Маркова могут работать с произвольными распределениями для следующих значений переменных состояния системы, в отличие от модели стандартного Гауссового распределения, поддерживаемого фильтрами Калмана. Существует строгая взаимосвязь между уравнениями фильтра Калмана и аналогичными в скрытых моделях Маркова. Подробней эта тема, как и некоторые другие модели, рассмотрена авторами Roweis и Ghahramani (1999).[1]

Чтобы было возможным использовать фильтр Калмана для оценки внутреннего состояния системы по серии неточных измерений, необходимо представить модель данного процесса в соответствии с универсальной моделью процесс для фильтра Калмана. Это означает, что нужно указать матрицы Fk, Hk, Qk, Rk, и иногда Bk для каждого шага по времени k, как указано ниже.


Source(s): Фильтр Калмана


Модель системы, лежащая в основе фильтра Калмана. Квадратиками обозначены матрицы. Эллипсами обозначены нормальные распределения (с указанными в скобках матрицами матожиданий и ковариантностей). Значения без кружочка и квадратика вокруг являются векторами.

Модель системы для фильтра Калмана подразумевает, что реальное состояние в момент времени k получается из состояния в момент времени (k − 1) по правилу:

<math> \textbf{x}_{k} = \textbf{F}_{k} \textbf{x}_{k-1} + \textbf{B}_{k} \textbf{u}_{k} + \textbf{w}_{k} </math>,

где

  • Fk матрица соответствующая модели преобразованию системы со временем, применяемая к предыдущему состоянию xk−1;
  • Bk матрица соответствующая модели применения управляющего воздействия, которая применяется к состоянию системы умноженная на вектор управляющего воздействия uk;
  • wk вектор погрешности, которая предполагается, имеет нулевое матожидание, нормальное Гауссово распределение и матрицу ковариаций Qk:

<math>\textbf{w}_{k} \sim N(0, \textbf{Q}_k) </math>

В момент времени k производится наблюдение (или измерение) zk реального состояния системы xk в соответствии с моделью измерения

<math>\textbf{z}_{k} = \textbf{H}_{k} \textbf{x}_{k} + \textbf{v}_{k}</math>

где Hk матрица, соответствующая модели наблюдения, которая отображает пространство векторов реального состояния системы в пространство векторов результатов наблюдений, а vk это вектор ошибки наблюдения, который считается имеющим нулевое матожидание, нормальное Гауссово распределение и матрицу ковариаций Rk:

<math>\textbf{v}_{k} \sim N(0, \textbf{R}_k) </math>

Вектор начального состояния системы и векторы погрешностей на каждом шаге {x0, w1, ..., wk, v1 ... vk} считаются не зависящими друг от друга.

Множество реальных динамических систем не полностью вписываются в эту модель, однако по причине того, что фильтр Калмана предназначен для работы в ситуации неточных данных, ответы, генерируемые этим фильтром, часто являются очень хорошим приближением к правильному ответу, что делает фильтр очень полезным даже в таких ситуациях. Вариации Калмановской фильтрации описанные ниже позволяют работать с более сложными моделями.


Source(s): Фильтр Калмана


Фильтр Калмана

Фильтр Калмана является разновидностью рекурсивного фильтра. Это означает, что только результат предыдущей итерации фильтра (в виде оценки состояния системы и оценки погрешности определения этого состояния) и текущие наблюдения нужны для расчета текущего состояния системы. В отличие от пакетных фильтров не требуется хранение никакой истории наблюдений. В следующем дальше тексте запись <math>\hat{\textbf{x}}_{n|m}</math> означает оценку состояния системы <math>\textbf{x}</math> в момент времени n при учете наблюдений (измерений) с начала работы фильтра и по момент времени m включительно.

Состояние фильтра содержится в двух переменных:

  • <math>\hat{\textbf{x}}_{k|k}</math>, оценочное состояние системы в момент времени k, которое получено на основании начального состояния системы и всех наблюдений по момент времени k включительно;
  • <math>\textbf{P}_{k|k}</math>, матрица ковариаций этого состояния, включающая в себя оценку дисперсий погрешности вычисленного состояния и уровни ковариаций, показывающих выявленные взаимосвязи между параметрами состояния системы.

Итерация фильтра Калмана делится на две фазы: Предсказание и Учет наблюдений. Фаза предсказания использует вычисленное на предыдущем шаге состояние для получения через модель системы оценочного состояния на текущем шаге. В фазе учета наблюдения информация об измерениях произведенных на текущем шаге используется для уточнения информации о состоянии системы, что делает её в результате (надеемся) более точной.


Source(s): Фильтр Калмана


Предсказание

Предсказанное состояние системы

<math>\hat{\textbf{x}}_{k|k-1} = \textbf{F}_{k}\hat{\textbf{x}}_{k-1|k-1} + \textbf{B}_{k-1} \textbf{u}_{k-1} </math>

Оценка предсказания через матрицу ковариаций

<math>\textbf{P}_{k|k-1} = \textbf{F}_{k} \textbf{P}_{k-1|k-1} \textbf{F}_{k}^{\text{T}} + \textbf{Q}_{k-1} </math>


Source(s): Фильтр Калмана


Учет наблюдений

Отклонение наблюдения от ожидаемого

<math> \tilde{\textbf{y}}_k = \textbf{z}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1} </math>

Матрица ковариаций отклонения <math>\textbf{S}_k = \textbf{H}_k \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} + \textbf{R}_k </math>
Оптимальная по Калману матрица коэффициентов усиления <math>\textbf{K}_k = \textbf{P}_{k|k-1}\textbf{H}_k^\text{T}\textbf{S}_k^{-1}</math>
Обновлённая оценка состояния системы <math>\hat{\textbf{x}}_{k|k} = \hat{\textbf{x}}^{-}_{k|k-1} + \textbf{K}_k\tilde{\textbf{y}}_k</math>
Обновлённая матрица ковариаций вычисленного состояния системы <math>\textbf{P}_{k|k} = (I - \textbf{K}_k \textbf{H}_k) \textbf{P}_{k|k-1}</math>


Source(s): Фильтр Калмана


Формула для обновленной матрицы ковариаций состояния системы верна только для оптимальной по Калману матрицы K. Использование другой матрицы K требует более сложной формулы, которую можно найти ниже, в части вывод формул этой страницы.


Source(s): Фильтр Калмана


Инварианты

Если модель точна, и значения <math>\hat{\textbf{x}}_{0|0}</math> и <math>\textbf{P}_{0|0}</math> точно отражают функции распределения первоначальных значений вектора состояния системы, тогда следующие инварианты сохраняются после любого количества итераций фильтра Калмана:

Все оценки имеют нулевое матожидание погрешности:

  • <math>\textrm{E}[\textbf{x}_k - \hat{\textbf{x}}_{k|k}] = \textrm{E}[\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}] = 0</math>
  • <math>\textrm{E}[\tilde{\textbf{y}}_k] = 0</math>

где <math>\textrm{E}[\xi]</math> является матожиданием <math>\xi</math>, и кроме того:

Все матрицы ковариаций точно отражают ковариации соответствующих величин:

  • <math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k})</math>
  • <math>\textbf{P}_{k|k-1} = \textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1})</math>
  • <math>\textbf{S}_{k} = \textrm{cov}(\tilde{\textbf{y}}_k)</math>


Source(s): Фильтр Калмана


Примеры

Рассмотрим грузовик на идеальной бесконечной дороге без трения. Изначально грузовик покоится в положении 0, но начинает двигаться со случайным ускорением. Мы измеряем его положение каждые Δt секунд, но эти измерения не точные; мы хотим поддерживать информацию о положении грузовика и его скорости. Сейчас мы покажем, как строить модель, из которой мы сможем создать фильтр Калмана для обработки результатов наших измерений.

Так как никакого управления в грузовике условиями задач не предусмотрено, мы будем игнорировать Bk и uk. Кроме того F, H, R и Q являются константами, поэтому их индексы по времени мы тоже опустим.

Положение и скорость грузовика описываются линейным пространством состояний

<math>\textbf{x}_{k} = \begin{bmatrix} x \\ \dot{x} \end{bmatrix} </math>

где <math>\dot{x}</math> скорость, то есть первая производная положения по времени.

Так же мы будем предполагать, что между моментами времени (k − 1)th и kth грузовик двигался с постоянным ускорением ak которое нормально (по Гауссу) распределено, имеет нулевое матожидание и стандартное отклонение σa. Из трёх законов Ньютона мы знаем, что

<math>\textbf{x}_{k} = \textbf{F} \textbf{x}_{k-1} + \textbf{G}a_{k}</math>

где

<math>\textbf{F} = \begin{bmatrix} 1 & \Delta t \\ 0 & 1 \end{bmatrix}</math>

и

<math>\textbf{G} = \begin{bmatrix} \frac{\Delta t^{2}}{2} \\ \Delta t \end{bmatrix} </math>

Далее вычислим

<math> \textbf{Q} = \textrm{cov}(\textbf{G}a) = \textrm{E}[(\textbf{G}a)(\textbf{G}a)^{\text{T}}] = \textbf{G} \textrm{E}[a^2] \textbf{G}^{\text{T}} = \textbf{G}[\sigma_a^2]\textbf{G}^{\text{T}} = \sigma_a^2 \textbf{G}\textbf{G}^{\text{T}}</math> (since σa is a scalar).

На каждом шаге по времени производится неточное измерение положения грузовика. Давайте предположим, что эта погрешность так же нормально распределена с матожиданием 0 и стандартным отклонением σz.

<math>\textbf{z}_{k} = \textbf{H x}_{k} + \textbf{v}_{k}</math>

где

<math>\textbf{H} = \begin{bmatrix} 1 & 0 \end{bmatrix} </math>

и

<math>\textbf{R} = \textrm{E}[\textbf{v}_k \textbf{v}_k^{\text{T}}] = \begin{bmatrix} \sigma_z^2 \end{bmatrix} </math>

Мы знаем начальное положение грузовика с идеальной точностью, поэтому инициализируем

<math>\hat{\textbf{x}}_{0|0} = \begin{bmatrix} 0 \\ 0 \end{bmatrix} </math>

и чтобы сказать фильтру, что мы знаем точное положение в начале работы, мы даём ему нулевую матрицу ковариаций:

<math>\textbf{P}_{0|0} = \begin{bmatrix} 0 & 0 \\ 0 & 0 \end{bmatrix} </math>

Если начальное положение и скорость не известны с идеальной точностью, тогда можно инициализировать матрицу ковариаций достаточно большими числами, обозначенными ниже как B, на её диагонали.

<math>\textbf{P}_{0|0} = \begin{bmatrix} B & 0 \\ 0 & B \end{bmatrix} </math>

В этом случае фильтр Калмана предпочтет использовать информацию из первых измерений, чем выданную ему изначально информацию о состоянии системы.

Вывод формул

Вывод матрицы ковариаций с учетом наблюдений

Начнем с инварианта, представляющего матрицу ковариаций погрешностей полученного состояния системы Pk|k определенной выше как

<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - \hat{\textbf{x}}_{k|k})</math>

подставим в него развёрнутое значение <math>\hat{\textbf{x}}_{k|k}</math>

<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k\tilde{\textbf{y}}_{k}))</math>

и заменим <math>\tilde{\textbf{y}}_k</math>

<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k(\textbf{z}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1})))</math>

и <math>\textbf{z}_{k}</math>

<math>\textbf{P}_{k|k} = \textrm{cov}(\textbf{x}_{k} - (\hat{\textbf{x}}_{k|k-1} + \textbf{K}_k(\textbf{H}_k\textbf{x}_k + \textbf{v}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1})))</math>

вынеся отдельно вектор погрешности измерения vk, получаем

<math>\textbf{P}_{k|k} = \textrm{cov}((I - \textbf{K}_k \textbf{H}_{k})(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1}) - \textbf{K}_k \textbf{v}_k )</math>

Так как vk не коррелирует с другими значениям в формуле, получаем

<math>\textbf{P}_{k|k} = \textrm{cov}((I - \textbf{K}_k \textbf{H}_{k})(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1})) + \textrm{cov}(\textbf{K}_k \textbf{v}_k )</math>

по свойствам ковариации вектора это преобразуется в

<math>\textbf{P}_{k|k} = (I - \textbf{K}_k \textbf{H}_{k})\textrm{cov}(\textbf{x}_k - \hat{\textbf{x}}_{k|k-1})(I - \textbf{K}_k \textbf{H}_{k})^{\text{T}} + \textbf{K}_k\textrm{cov}(\textbf{v}_k )\textbf{K}_k^{\text{T}}</math>

если теперь использовать наш инвариант Pk|k-1 и определение Rk, то получим

<math>\textbf{P}_{k|k} =

(I - \textbf{K}_k \textbf{H}_{k}) \textbf{P}_{k|k-1} (I - \textbf{K}_k \textbf{H}_{k})^\text{T} + \textbf{K}_k \textbf{R}_k \textbf{K}_k^\text{T} </math> Эта формула (иногда называемая "формой Йосефа" для уравнения обновления ковариации) верна не зависимо от выбора матрицы Kk. Однако если в качестве Kk взята матрица оптимального по Калману коэффициента усиления, то её можно еще упростить, как это сделать мы расскажем ниже.


Source(s): Фильтр Калмана


Вывод оптимальной матрицы коэффициентов усиления

Фильтр Калмана является фильтром, минимизирующим сумму квадратов матожидания погрешностей. Вектор погрешностей после корректировки оценочного состояния системы выглядит следующим образом

<math>\textbf{x}_{k} - \hat{\textbf{x}}_{k|k}</math>

Мы будем минимизировать сумму квадратов матожидания координат этого вектора, <math>\textrm{E}[|\textbf{x}_{k} - \hat{\textbf{x}}_{k|k}|^2]</math>. Это эквивалентно минимизации следа (суммы элементов на главной диагонали) матрицы ковариаций оценочного состояния системы после корректировки <math> \textbf{P}_{k|k} </math>. Подставив в это уравнение имеющиеся у нас формулы и проделав несколько преобразований, мы получаем:

k} </math> k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1} - \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} \textbf{K}_k^\text{T} + \textbf{K}_k (\textbf{H}_k \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} + \textbf{R}_k) \textbf{K}_k^\text{T}</math>
k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1} - \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} \textbf{K}_k^\text{T} + \textbf{K}_k \textbf{S}_k\textbf{K}_k^\text{T}</math>

След матрицы минимален, когда производная матрицы равна нулю:

<math>\frac{\partial \; \textrm{tr}(\textbf{P}_{k|k})}{\partial \;\textbf{K}_k} = -2 (\textbf{H}_k \textbf{P}_{k|k-1})^\text{T} + 2 \textbf{K}_k \textbf{S}_k = 0</math>

Решая это уравнение относительно Kk мы получаем оптимальный по Калману коэффициент усиления:

<math>\textbf{K}_k \textbf{S}_k = (\textbf{H}_k \textbf{P}_{k|k-1})^\text{T} = \textbf{P}_{k|k-1} \textbf{H}_k^\text{T}</math>
<math> \textbf{K}_{k} = \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} \textbf{S}_k^{-1}</math>

Эта матрица, является искомой и минимизирует сумму квадратов матожидания координат вектора погрешности оценочного состояния системы.


Source(s): Фильтр Калмана


Упрощение для полученной скорректированной матрицы ковариаций

Формула для расчета скорректированной матрицы ковариаций может быть упрощена, если в ней мы используем матрицу Kk оптимальную по Калману (выведенную выше). Умножая обе стороны формулы вывода этой матрицы на SkKkT, получаем

<math>\textbf{K}_k \textbf{S}_k \textbf{K}_k^T = \textbf{P}_{k|k-1} \textbf{H}_k^T \textbf{K}_k^T</math>

Если это подставить в нашу полную формулу для скорректированной матрицы ковариаций, получим

<math> \textbf{P}_{k|k} = \textbf{P}_{k|k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1} - \textbf{P}_{k|k-1} \textbf{H}_k^T \textbf{K}_k^T + \textbf{K}_k \textbf{S}_k \textbf{K}_k^T</math>

видно, что последние 2 слагаемых ликвидируются, и мы получаем

<math> \textbf{P}_{k|k} = \textbf{P}_{k|k-1} - \textbf{K}_k \textbf{H}_k \textbf{P}_{k|k-1} = (I - \textbf{K}_{k} \textbf{H}_{k}) \textbf{P}_{k|k-1}.</math>

Эта формула значительно проще в смысле вычислительной сложности (объем вычислений требуемый для её применения) и практически всегда используется на практике, но она верна только для оптимального по Калману коэффициента усиления. Если точность арифметических операций необычайно мала и вызывает проблемы с вычислительной устройчивостью, или если используется коэффициент усиления, отличный от оптимального по Калману, это упрощение не может быть применено и должна использоваться полная формула для скорректированной матрицы ковариаций.


Source(s): Фильтр Калмана


Relationship to the digital filter

The Kalman filter can be regarded as an adaptive low-pass infinite impulse response digital filter, with cut-off frequency depending on the ratio between the process- and measurement (or observation) noise, as well as the estimate covariance. Frequency response is, however, rarely of interest when designing state estimators such as the Kalman Filter, whereas for digital filters such as IIR and FIR filters, frequency response is usually of primary concern. For the Kalman Filter, the important goal is how accurate the filter is, and this is most often decided based on empirical Monte Carlo simulations, where "truth" (the true state) is known.


Source(s): Фильтр Калмана


Relationship to recursive Bayesian estimation

The true state is assumed to be an unobserved Markov process, and the measurements are the observed states of a hidden Markov model.

Hidden Markov model

Because of the Markov assumption, the true state is conditionally independent of all earlier states given the immediately previous state.

<math>p(\textbf{x}_k|\textbf{x}_0,\dots,\textbf{x}_{k-1}) = p(\textbf{x}_k|\textbf{x}_{k-1})</math>

Similarly the measurement at the k-th timestep is dependent only upon the current state and is conditionally independent of all other states given the current state.

<math>p(\textbf{z}_k|\textbf{x}_0,\dots,\textbf{x}_{k}) = p(\textbf{z}_k|\textbf{x}_{k} )</math>

Using these assumptions the probability distribution over all states of the hidden Markov model can be written simply as:

<math>p(\textbf{x}_0,\dots,\textbf{x}_k,\textbf{z}_1,\dots,\textbf{z}_k) = p(\textbf{x}_0)\prod_{i=1}^k p(\textbf{z}_i|\textbf{x}_i)p(\textbf{x}_i|\textbf{x}_{i-1})</math>

However, when the Kalman filter is used to estimate the state x, the probability distribution of interest is that associated with the current states conditioned on the measurements up to the current timestep. (This is achieved by marginalizing out the previous states and dividing by the probability of the measurement set.)

This leads to the predict and update steps of the Kalman filter written probabilistically. The probability distribution associated with the predicted state is the sum (integral) of the products of the probability distribution associated with the transition from the (k - 1)-th timestep to the k-th and the probability distribution associated with the previous state, over all possible <math>x_{k_-1}</math>.

<math> p(\textbf{x}_k|\textbf{Z}_{k-1}) = \int p(\textbf{x}_k | \textbf{x}_{k-1}) p(\textbf{x}_{k-1} | \textbf{Z}_{k-1} ) \, d\textbf{x}_{k-1} </math>

The measurement set up to time t is

<math> \textbf{Z}_{t} = \left \{ \textbf{z}_{1},\dots,\textbf{z}_{t} \right \} </math>

The probability distribution of the update is proportional to the product of the measurement likelihood and the predicted state.

<math> p(\textbf{x}_k|\textbf{Z}_{k}) = \frac{p(\textbf{z}_k|\textbf{x}_k) p(\textbf{x}_k|\textbf{Z}_{k-1})}{p(\textbf{z}_k|\textbf{Z}_{k-1})} </math>

The denominator

<math>p(\textbf{z}_k|\textbf{Z}_{k-1}) = \int p(\textbf{z}_k|\textbf{x}_k) p(\textbf{x}_k|\textbf{Z}_{k-1}) d\textbf{x}_k</math>

is a normalization term.

The remaining probability density functions are

<math> p(\textbf{x}_k | \textbf{x}_{k-1}) = N(\textbf{F}_k\textbf{x}_{k-1}, \textbf{Q}_k)</math>
<math> p(\textbf{z}_k|\textbf{x}_k) = N(\textbf{H}_{k}\textbf{x}_k, \textbf{R}_k) </math>
<math> p(\textbf{x}_{k-1}|\textbf{Z}_{k-1}) = N(\hat{\textbf{x}}_{k-1},\textbf{P}_{k-1} )</math>

Note that the PDF at the previous timestep is inductively assumed to be the estimated state and covariance. This is justified because, as an optimal estimator, the Kalman filter makes best use of the measurements, therefore the PDF for <math>\mathbf{x}_k</math> given the measurements <math>\mathbf{Z}_k</math> is the Kalman filter estimate.


Source(s): Фильтр Калмана


Information filter

In the information filter, or inverse covariance filter, the estimated covariance and estimated state are replaced by the information matrix and information vector respectively. These are defined as:

<math>\textbf{Y}_{k|k} = \textbf{P}_{k|k}^{-1} </math>
<math>\hat{\textbf{y}}_{k|k} = \textbf{P}_{k|k}^{-1}\hat{\textbf{x}}_{k|k} </math>

Similarly the predicted covariance and state have equivalent information forms, defined as:

<math>\textbf{Y}_{k|k-1} = \textbf{P}_{k|k-1}^{-1} </math>
<math>\hat{\textbf{y}}_{k|k-1} = \textbf{P}_{k|k-1}^{-1}\hat{\textbf{x}}_{k|k-1} </math>

as have the measurement covariance and measurement vector, which are defined as:

<math>\textbf{I}_{k} = \textbf{H}_{k}^{\text{T}} \textbf{R}_{k}^{-1} \textbf{H}_{k} </math>
<math>\textbf{i}_{k} = \textbf{H}_{k}^{\text{T}} \textbf{R}_{k}^{-1} \textbf{z}_{k} </math>

The information update now becomes a trivial sum.

<math>\textbf{Y}_{k|k} = \textbf{Y}_{k|k-1} + \textbf{I}_{k}</math>
<math>\hat{\textbf{y}}_{k|k} = \hat{\textbf{y}}_{k|k-1} + \textbf{i}_{k}</math>

The main advantage of the information filter is that N measurements can be filtered at each timestep simply by summing their information matrices and vectors.

<math>\textbf{Y}_{k|k} = \textbf{Y}_{k|k-1} + \sum_{j=1}^N \textbf{I}_{k,j}</math>
<math>\hat{\textbf{y}}_{k|k} = \hat{\textbf{y}}_{k|k-1} + \sum_{j=1}^N \textbf{i}_{k,j}</math>

To predict the information filter the information matrix and vector can be converted back to their state space equivalents, or alternatively the information space prediction can be used.

<math>\textbf{M}_{k} =
 [\textbf{F}_{k}^{-1}]^{\text{T}} \textbf{Y}_{k-1|k-1} \textbf{F}_{k}^{-1} </math> 
<math>\textbf{C}_{k} =
 \textbf{M}_{k} [\textbf{M}_{k}+\textbf{Q}_{k}^{-1}]^{-1}</math> 
<math>\textbf{L}_{k} =
 I - \textbf{C}_{k} </math>
<math>\textbf{Y}_{k|k-1} =
 \textbf{L}_{k} \textbf{M}_{k} \textbf{L}_{k}^{\text{T}} + 
 \textbf{C}_{k} \textbf{Q}_{k}^{-1} \textbf{C}_{k}^{\text{T}}</math>
<math>\hat{\textbf{y}}_{k|k-1} =
 \textbf{L}_{k} [\textbf{F}_{k}^{-1}]^{\text{T}}\hat{\textbf{y}}_{k-1|k-1} </math>  

Note that if F and Q are time invariant these values can be cached. Note also that F and Q need to be invertible.

Fixed-lag smoother

The optimal fixed-lag smoother provides the optimal estimate of <math>\hat{\textbf{x}}_{k - N | k}</math> for a given fixed-lag <math>N</math> using the measurements from <math>\textbf{z}_{1}</math> to <math>\textbf{z}_{k}</math>. It can be derived using the previous theory via an augmented state, and the main equation of the filter is the following:

<math> \begin{bmatrix} \hat{\textbf{x}}_{t|t} \\ \hat{\textbf{x}}_{t-1|t} \\ \vdots \\ \hat{\textbf{x}}_{t-N+1|t} \\ \end{bmatrix} = \begin{bmatrix} I \\ 0 \\ \vdots \\ 0 \\ \end{bmatrix} \hat{\textbf{x}}_{t|t-1} + \begin{bmatrix} 0 & \ldots & 0 \\ I & 0 & \vdots \\ \vdots & \ddots & \vdots \\ 0 & \ldots & I \\ \end{bmatrix} \begin{bmatrix} \hat{\textbf{x}}_{t-1|t-1} \\ \hat{\textbf{x}}_{t-2|t-1} \\ \vdots \\ \hat{\textbf{x}}_{t-N|t-1} \\ \end{bmatrix} + \begin{bmatrix} K^{(1)} \\ K^{(2)} \\ \vdots \\ K^{(N)} \\ \end{bmatrix} y_{t|t-1} </math>

where:

1) <math> \hat{\textbf{x}}_{t|t-1} </math> is estimated via a standard Kalman filter;

2) <math> y_{t|t-1} = z(t) - \hat{\textbf{x}}_{t|t-1} </math> is the innovation produced considering the estimate of the standard Kalman filter;

3) the various <math> \hat{\textbf{x}}_{t-i|t} </math> with <math> i = 0,\ldots,N </math> are new variables, i.e. they do not appear in the standard Kalman filter;

4) the gains are computed via the following scheme:

<math> K^{(i)} = P^{(i)} H^{T} \left[ H P H^{T} + R \right]^{-1} </math>

and

<math> P^{(i)} = P \left[ \left[ F - K H \right]^{T} \right]^{i} </math>

where <math> P </math> and <math> K </math> are the prediction error covariance and the gains of the standard Kalman filter.

Note that if we define the estimation error covariance

<math> P_{i} := E \left[ \left( \textbf{x}_{t-i} - \hat{\textbf{x}}_{t-i|t} \right)^{*} \left( \textbf{x}_{t-i} - \hat{\textbf{x}}_{t-i|t} \right) | z_{1} \ldots z_{t} \right] </math>

then we have that the improvement on the estimation of <math> \textbf{x}_{t-i} </math> is given by:

<math> P - P_{i} = \sum_{j = 0}^{i} \left[ P^{(j)} H^{T} \left[ H P H^{T} + R \right]^{-1} H \left( P^{(i)} \right)^{T} \right] </math>

Fixed-interval filters

The optimal fixed-interval smoother provides the optimal estimate of <math>\hat{\textbf{x}}_{k | n}</math> (<math>k \leq n</math>) using the measurements from a fixed interval <math>\textbf{z}_{1}</math> to <math>\textbf{z}_{n}</math>. This is also called Kalman Smoothing.

There exists an efficient two-pass algorithm, Rauch-Tung-Striebel Algorithm, for achieving this. The main equations of the smoother is the following (assuming <math>\textbf{B}_{k} = \textbf{0}</math>):

  • forward pass: regular Kalman filter algorithm
  • backward pass: <math> \hat{\textbf{x}}_{k|n} = \tilde{F}_k \hat{\textbf{x}}_{k+1|n} + \tilde{K}_k \hat{\textbf{x}}_{k+1|k} </math>, where
    • <math> \tilde{\textbf{F}}_k = \textbf{F}_k^{-1} (\textbf{I} - \textbf{Q}_k \textbf{P}_{k+1|k}^{-1}) </math>
    • <math> \tilde{\textbf{K}}_k = \textbf{F}_k^{-1} \textbf{Q}_k \textbf{P}_{k+1|k}^{-1} </math>

Нелинейные фильтры

Изначально фильтр Калмана ограничен по области применения линейными системами. Однако большинство интересных для анализа систем являются нелинейными. Эта нелинейность может иметь отношение к модели процесса, к модели наблюдения или к обоим.


Source(s): Фильтр Калмана


Расширенный фильтр Калмана (EKF)

В расширенном фильтре Калмана, (extended Kalman filter, EKF) не требуется, чтобы модель состояния системы и модель наблюдения были линейными функциями, вместо этого требуется, чтобы они были дифференцируемы по состоянию системы.

<math>\textbf{x}_{k} = f(\textbf{x}_{k-1}, \textbf{u}_{k}) + \textbf{w}_{k}</math>
<math>\textbf{z}_{k} = h(\textbf{x}_{k}) + \textbf{v}_{k}</math>

В этой модели функция f используется для расчета предсказываемого оценочного состояния системы из предыдущего и аналогично функция h используется для предсказываемого результата измерения из предсказанного состояния системы. Не смотря на то, что f и h не могут быть применены для расчета ковариаций напрямую, мы можем использовать вместо них соответствующие матрицы частных производных (Якобианы) в соответствующих точках (в предыдущем и предсказанном состояниях системы).

На каждом шаге мы расчитываем эти Якобианы и просто подставляем их вместо матриц F и H в обычные формулы фильтра Калмана. Таким образом мы просто линеаризуем нелинейные функции f и h вблизи соответствующих точек, что допускается, т.к. они по объявленным в начале требованиям дифференцируемы.


Source(s): Фильтр Калмана


Сигма-точечный фильтр (UKF)

Когда модели состояния системы и наблюдения, а значит и функции предсказания состояния системы и модели наблюдения <math>f</math> и <math>h</math> (см. выше) – в значительной степени нелинейны, расширенная версия фильтра Калмана может быть не эффективна.[2] This is because the mean and covariance are propagated through linearization of the underlying non-linear model. The unscented Kalman filter (UKF) [2] uses a deterministic sampling technique known as the unscented transform to pick a minimal set of sample points (called sigma points) around the mean. These sigma points are then propagated through the non-linear functions, from which the mean and covariance of the estimate are then recovered. The result is a filter which more accurately captures the true mean and covariance. (This can be verified using Monte Carlo sampling or through a Taylor series expansion of the posterior statistics.) In addition, this technique removes the requirement to explicitly calculate Jacobians, which for complex functions can be a difficult task in itself (i.e., requiring complicated derivatives if done analytically or being computationally costly if done numerically).

Предсказание

As with the EKF, the UKF prediction can be used independently from the UKF update, in combination with a linear (or indeed EKF) update, or vice versa.

The estimated state and covariance are augmented with the mean and covariance of the process noise.

<math> \textbf{x}_{k-1|k-1}^{a} = [ \hat{\textbf{x}}_{k-1|k-1}^{T} \quad E[\textbf{w}_{k}^{T}] \ ]^{T} </math>
<math> \textbf{P}_{k-1|k-1}^{a} = \begin{bmatrix} & \textbf{P}_{k-1|k-1} & & 0 & \\ & 0 & &\textbf{Q}_{k} & \end{bmatrix} </math>

A set of 2L+1 sigma points is derived from the augmented state and covariance where L is the dimension of the augmented state.

k-1}^{0} </math> k-1}^{a} </math>
k-1}^{i} </math> k-1}^{a} + \left ( \sqrt{ (L + \lambda) \textbf{P}_{k-1|k-1}^{a} } \right )_{i}</math> <math>i = 1..L \,\!</math>
k-1}^{i} </math> k-1}^{a} - \left ( \sqrt{ (L + \lambda) \textbf{P}_{k-1|k-1}^{a} } \right )_{i-L}</math> <math>i = L+1,\dots{}2L \,\!</math>

где

k-1}^{a} } \right )_{i}</math>

это i-я колонка квадратного корня матрицы

k-1}^{a}</math>

использующего определение: квадратный корень A матрицы B удовлетворяет условию

<math>B \equiv A A^T</math>.

Квадратный корень матрицы должен рассчитываться используя устойчивые эффективные числовые методы, такие как Cholesky decomposition.

The sigma points are propagated through the transition function f.

<math>\chi_{k|k-1}^{i} = f(\chi_{k-1|k-1}^{i}) \quad i = 0..2L </math>

The weighted sigma points are recombined to produce the predicted state and covariance.

<math>\hat{\textbf{x}}_{k|k-1} = \sum_{i=0}^{2L} W_{s}^{i} \chi_{k|k-1}^{i} </math>
<math>\textbf{P}_{k|k-1} = \sum_{i=0}^{2L} W_{c}^{i}\ [\chi_{k|k-1}^{i} - \hat{\textbf{x}}_{k|k-1}] [\chi_{k|k-1}^{i} - \hat{\textbf{x}}_{k|k-1}]^{T} </math>

where the weights for the state and covariance are given by:

<math>W_{s}^{0} = \frac{\lambda}{L+\lambda}</math>
<math>W_{c}^{0} = \frac{\lambda}{L+\lambda} + (1 - \alpha^2 + \beta)</math>
<math>W_{s}^{i} = W_{c}^{i} = \frac{1}{2(L+\lambda)}</math>
<math>\lambda = \alpha^2 (L+\kappa) - L \,\! </math>

Typical values for <math>\alpha</math>, <math>\beta</math>, and <math>\kappa</math> are <math>10^{-3}</math>, 2 and 0 respectively. (These values should suffice for most purposes.)Шаблон:Fact

Учет наблюдений

The predicted state and covariance are augmented as before, except now with the mean and covariance of the measurement noise.

<math> \textbf{x}_{k|k-1}^{a} = [ \hat{\textbf{x}}_{k|k-1}^{T} \quad E[\textbf{v}_{k}^{T}] \ ]^{T} </math>
<math> \textbf{P}_{k|k-1}^{a} = \begin{bmatrix} & \textbf{P}_{k|k-1} & & 0 & \\ & 0 & &\textbf{R}_{k} & \end{bmatrix} </math>

As before, a set of 2L + 1 sigma points is derived from the augmented state and covariance where L is the dimension of the augmented state.

k-1}^{0} </math> k-1}^{a} </math>
k-1}^{i} </math> k-1}^{a} + \left ( \sqrt{ (L + \lambda) \textbf{P}_{k|k-1}^{a} } \right )_{i}</math> <math>i = 1..L \,\!</math>
k-1}^{i} </math> k-1}^{a} - \left ( \sqrt{ (L + \lambda) \textbf{P}_{k|k-1}^{a} } \right )_{i-L}</math> <math>i = L+1,\dots{}2L \,\!</math>

Alternatively if the UKF prediction has been used the sigma points themselves can be augmented along the following lines

<math> \chi_{k|k-1} := [ \chi_{k|k-1}^T \quad E[\textbf{v}_{k}^{T}] \ ]^{T} \pm \sqrt{ (L + \lambda) \textbf{R}_{k}^{a} }</math>

где

<math> \textbf{R}_{k}^{a} = \begin{bmatrix} & 0 & & 0 & \\ & 0 & &\textbf{R}_{k} & \end{bmatrix} </math>

The sigma points are projected through the observation function h.

<math>\gamma_{k}^{i} = h(\chi_{k|k-1}^{i}) \quad i = 0..2L </math>

The weighted sigma points are recombined to produce the predicted measurement and predicted measurement covariance.

<math>\hat{\textbf{z}}_{k} = \sum_{i=0}^{2L} W_{s}^{i} \gamma_{k}^{i} </math>
<math>\textbf{P}_{z_{k}z_{k}} = \sum_{i=0}^{2L} W_{c}^{i}\ [\gamma_{k}^{i} - \hat{\textbf{z}}_{k}] [\gamma_{k}^{i} - \hat{\textbf{z}}_{k}]^{T} </math>

The state-measurement cross-covariance matrix,

<math>\textbf{P}_{x_{k}z_{k}} = \sum_{i=0}^{2L} W_{c}^{i}\ [\chi_{k|k-1}^{i} - \hat{\textbf{x}}_{k|k-1}] [\gamma_{k}^{i} - \hat{\textbf{z}}_{k}]^{T} </math>

is used to compute the UKF Kalman gain.

<math>K_{k} = \textbf{P}_{x_{k}z_{k}} \textbf{P}_{z_{k}z_{k}}^{-1}</math>

As with the Kalman filter, the updated state is the predicted state plus the innovation weighted by the Kalman gain,

<math>\hat{\textbf{x}}_{k|k} = \hat{\textbf{x}}_{k|k-1} + K_{k}( \textbf{z}_{k} - \hat{\textbf{z}}_{k} )</math>

And the updated covariance is the predicted covariance, minus the predicted measurement covariance, weighted by the Kalman gain.

<math>\textbf{P}_{k|k} = \textbf{P}_{k|k-1} - K_{k} \textbf{P}_{z_{k}z_{k}} K_{k}^{T} </math>


Source(s): Фильтр Калмана


Фильтр Калмана-Бьюси

Фильтр Калмана-Бьюси это непрерывная версия фильтра Калмана .[3][4]

Он основан на следующей модели пространства состояний системы

<math>\frac{d}{dt}\mathbf{x}(t) = \mathbf{F}(t)\mathbf{x}(t) + \mathbf{w}(t)</math>
<math>\mathbf{z}(t) = \mathbf{H}(t) \mathbf{x}(t) + \mathbf{v}(t)</math>

где матрицами ковариаций погрешностей <math>\mathbf{w}(t)</math> и <math>\mathbf{v}(t)</math> являются <math>\mathbf{Q}(t)</math> и <math>\mathbf{R}(t)</math>, соответственно.

Фильтр состоит из двух дифференциальных уравнений, одно для функции оценочного состояния системы, а второе для функции матрицы ковариаций этого состояния:

<math>\frac{d}{dt}\hat{\mathbf{x}}(t) = \mathbf{F}(t)\hat{\mathbf{x}}(t) + \mathbf{K}(t) (\mathbf{z}(t)-\mathbf{H}(t)\hat{\mathbf{x}}(t))</math>
<math>\frac{d}{dt}\mathbf{P}(t) = \mathbf{F}(t)\mathbf{P}(t) + \mathbf{P}(t)\mathbf{F}^{T}(t) + \mathbf{Q}(t) - \mathbf{K}(t)\mathbf{R}(t)\mathbf{K}^{T}(t)</math>

где коэффициент усиления Калмана определен, как

<math>\mathbf{K}(t)=\mathbf{P}(t)\mathbf{H}^{T}(t)\mathbf{R}^{-1}(t)</math>

Обратите внимение, что в выражении для <math>\mathbf{K}(t)</math> матрица ковариаций погрешности наблюдения <math>\mathbf{R}(t)</math> является одновременно матрицей ковариаций ошибки корректировки вектора состояния системы <math>\tilde{\mathbf{y}}(t)=\mathbf{z}(t)-\mathbf{H}(t)\hat{\mathbf{x}}(t)</math>; эти ковариации совпадают только в непрерывном случае.[5]

В непрерывном случае отсутствуют отдельные шаги для расчета результата управляющего воздействия и внесения информации о результатах наблюдений, которые можно выделить для дискретной по времени модели.

Второе дифференциальное уравнение для ковариаций является примером уравнения Риккати.


Source(s): Фильтр Калмана


Сноски

  1. Roweis, S. and Ghahramani, Z., A unifying review of linear Gaussian models, Neural Comput. Vol. 11, No. 2, (February 1999), pp. 305-345.
  2. 1 2 Шаблон:Cite journal
  3. Bucy, R.S. and Joseph, P.D., Filtering for Stochastic Processes with Applications to Guidance, John Wiley & Sons, 1968; 2nd Edition, AMS Chelsea Publ., 2005. ISBN 0821837826
  4. Jazwinski, Andrew H., Stochastic processes and filtering theory, Academic Press, New York, 1970. ISBN 0123815509
  5. Kailath, Thomas, "An innovation approach to least-squares estimation Part I: Linear filtering in additive white noise", IEEE Transactions on Automatic Control, 13(6), 646-655, 1968