Robotics Estimation and Learning
卡尔曼滤波 (Kalman Filter)
这一周的视频质量很一般,slides 做得也不仔细有不少错误。最后看了一些其他网站的文章和视频才有了比较深刻的理解,本文结尾有推荐资料。
KF 模型
- 以匀速运动的动力学模型为例
- 状态 , 为外部影响
- 观测结果
- 和 都有测量误差
- 状态 仅包含位置和速度:
- 动力学模型可以通过矩阵 A 描述,
基于动力学的贝叶斯模型
加入运动和观测的误差
假设误差基于高斯分布
把线性变换 A 和 C 代入正态分布
线性加和
最大后验概率估计卡尔曼滤波
最大后验概率估计的目的在于最大化 ,即
由贝叶斯公式 代入正态分布得 求导可解得(具体过程参考 slides)
这里 K 就是 Kalman gain。
扩展卡尔曼滤波 (Extended Kalman Filter)
KF 的局限之一在于假设了线性模型,EKF 去掉了线性模型的限制,接受任何
无迹卡尔曼滤波 (Unscented Kalman Filter)
参考资料
- Kalman Filter 视频推荐:https://youtu.be/CaCcOwJPytQ 比较长,一共有 55 集,但是讲得很细致
- How a Kalman filter works, in pictures 各个变量用不同颜色标记,配合插图方便理解
- Kalman Filter 学习笔记 上文的中文版
- The Matrix Calculus You Need For Deep Learning 矩阵微积分入门,如果想要推一遍 Kalman gain 的计算过程会用到这部分知识
- The Extended Kalman Filter: An Interactive Tutorial for Non-Experts EKF 的介绍网站,只要求高中数学基础
本作品采用知识共享署名-非商业性使用 3.0 版本许可协议进行许可,欢迎转载,演绎,但是必须保留本文的署名 zellux(包含链接),且不得用于商业目的。