L' algorithme de filtre de Kalman fonctionne comme suit
Initialisez et .
A chaque itération
Prédire
Estimation prédite (a priori) de l'état Covariance estimée (a priori) Mise à jour
Innovation ou mesure résiduelle Innovation (ou résiduelle) covariance Gain de Kalman optimal Estimation d'état mise à jour (a posteriori) Mis à jour (a posteriori) estimer la covariance \ textbf {P} _ {k | k} = (I - \ textbf {K} _k \ textbf {H} _k) \ textbf {P} _ {k | k-1}
x k | k = x k | k - 1 + K k ˜ y k P k | k =(I- K k H k ) P k | k - 1
Le gain de Kalman représente l'importance relative de l'erreur par rapport à l'estimation précédente .
Je me demande comment comprendre intuitivement la formule du gain de Kalman K_k ? Considérez le cas lorsque les états et les sorties sont scalaires, pourquoi le gain est-il plus grand, quand
est plus grand
est plus grand
est plus petit?
Merci et salutations!
Réponses:
J'ai trouvé une bonne façon de penser intuitivement Kalman gain . Si vous écrivez cette façonK K
vous vous compte que les grandeurs relatives des matrices ( ) et ( ) contrôlent une relation entre l'utilisation par le filtre de l'estimation d'état prédite ( ) et la mesure ( ).Rk Pk xk⁻ ỹk
Substitution de la première limite dans l'équation de mise à jour de la mesure
suggère que lorsque l'amplitude de est petite, ce qui signifie que les mesures sont précises, l'estimation d'état dépend principalement des mesures.R
Lorsque l'état est connu avec précision, alors est petit par rapport à , et le filtre ignore principalement les mesures reposant plutôt sur la prédiction dérivée de l'état précédent ( ).HP⁻HT R xk⁻
la source
Le gain de Kalman vous indique à quel point je souhaite modifier mon estimation en fonction d'une mesure.
Inversement, si est petit, alors vous savez que votre état ne change pas beaucoup, donc vous ne voulez pas trop modifier vos estimations à chaque instant. @ La réponse de Jav_Rock dit que si , alors le . En d'autres termes, il a laissé entendre que si vous pensez que votre état ne varie plus, vous n'essayez plus de modifier votre estimation.Pk Pk→0 K→0
la source
Jav_Rock a obtenu le point. En fait, si vous écrivez comme ceciKk
le numérateur de la fraction représente l'incertitude propagée à partir du modèle tandis que représente l'incertitude de la mesure. Ainsi, la valeur de la fraction représente à quel point nous devons faire confiance à la mesure, comme expliqué par Jav_Rock.Rk
Quant au , il ne fait que retransformer l'observation à l'état, car c'est l'état que nous voulons mettre à jour, pas l'observation.H−k
Pour conclure, le gain calcule combien de correction nous devons prendre de l'observation et retransforme la correction d'observation en correction d'état, ce qui conduit à la mise à jour de l'estimation d'état:Kk
la source
Je travaille sur l'algorithme du filtre de Kalman (KF). J'ai observé que le gain kalman traite de la convergence de l'algorithme avec le temps, c'est-à-dire à quelle vitesse l'algorithme corrige et minimise le résidu.
En arrivant à l'équation, choisissez une valeur de gain kalman initiale et faites-la varier de faible à élevée, ce qui peut vous donner une valeur approximative.
la source