卡尔曼滤波解释及示例

news2025/4/25 9:14:12

卡尔曼滤波的本质是用数学方法平衡预测与观测的可信度，通过不断迭代逼近真实状态。其高效性和鲁棒性，通常在导航定位中，需要融合GPS、加速度计、陀螺仪、激光雷达或摄像头数据，来提高位置精度。简单讲，卡尔曼滤波就是通过预测-更新循环，动态权衡模型预测与传感器测量，在噪声环境中实现最优估计，其数学本质是贝叶斯滤波在高斯噪声下的解析解。

1. 原理概述

卡尔曼滤波的核心是递归地结合预测与测量，在存在噪声的系统中实现对状态的最优估计。其核心步骤是：

预测：根据系统模型（如运动方程）预测当前状态和误差协方差。
更新：利用传感器测量值修正预测结果，得到更精确的状态估计。

核心优势：

实时性：仅需当前时刻的数据和前一时刻的状态，无需存储历史数据。
最优性：在噪声为高斯分布时，卡尔曼滤波是最小均方误差（MMSE）意义下的最优估计器

2. 公式推导

2.1 状态预测

状态预测方程： $x_k^a = F_kx_{k-1}+B_ku_k$ ，其中 $x_k^a$ 是预测状态， $F_k$ 是状态转移矩阵， $B_ku_k$ 是控制输入（如加速度）

协方差预测方程： $P_k^a=F_kP_{k-1}F_k^T + Q_k$ ，其中 $P_k^a$ 是预测协方差， $Q_k$ 是过程噪声协方差（模型不确定性）

2.2 状态更新

卡尔曼增益计算： $K_k=P_k^aH_k^T(H_kP_k^aH_k^T + R_k)^{-1}$ ，其中 $K_k$ 权衡预测与测量的信任度， $H_k$ 是观测矩阵， $R_k$ 是测量噪声协方差。

状态更新方程： $x_k=x_k^a + K_k(z_k - H_kx_k^a)$ ，其中 $z_k$ 是实际测量值，修正预测结果。

协方差更新方程： $P_k = (I-K_kH_k)P_k^a$ , 更新后的协方差反映估计的不确定性。

3. 示例说明：小车运动位置估计为例

场景：小车以2m/s运动，t-1时刻位置为6m，t时刻雷达测得位置为9m。
问题：雷达测量存在噪声（如高斯噪声），如何估计真实位置？
步骤：

预测：
假设无控制输入 $u_k=0$ ，状态转移矩阵 F=1（位置预测仅依赖前一时刻），预测位置为： $x_k^a = 6m + 2m/s * 1s = 8m$
协方差 $P_k^a$ 反映预测的不确定性（假设初始协方差较小）
更新：
测量值 $z_k =9m$ ，计算卡尔曼增益 $K_k$ ，假设测量噪声 R 较大（雷达不准），则 $K_k$ 较小，最终估计值会介于预测值（8m）和测量值（9m）之间，例如8.5m。更新后的协方差 $P_k$ 会更小，反映更高的置信度。

4. 其它扩展对比

关键关系总结：

EKF 是最早的非线性滤波方法，但受限于线性化误差。
UKF 通过无迹变换避免线性化，精度更高，适用于强非线性系统。
IEKF 和 AKF 是EKF的改进，分别通过迭代和自适应机制提升鲁棒性。
EnKF 和 PF 针对高维或非高斯问题，与UKF同属非线性滤波但方法不同。
CKF 是UKF的优化变种，采用容积采样提升效率

算法	核心原理	优缺点	应用场景	与KF对比关系
卡尔曼滤波 (KF)	基于线性系统模型，通过状态方程和观测方程递推估计最优状态。	优点：计算高效，理论最优；缺点：无法直接处理非线性问题。	仅适用于线性系统。	基础算法，其他扩展均针对其无法处理非线性系统的局限性进行改进。
扩展卡尔曼滤波 (EKF)	通过泰勒展开对非线性系统在当前估计点处线性化，应用标准卡尔曼滤波框架。	优点：计算效率高；缺点：线性化误差大，对强非线性系统不稳定。	机器人定位、传感器融合（如SLAM中的非线性运动模型）。	基础非线性滤波方法，EKF通过线性化扩展到非线性系统，但精度受限于泰勒展开的截断误差
无迹卡尔曼滤波 (UKF)	通过无迹变换（UT）选择采样点（Sigma点），直接近似状态分布的均值和协方差，避免显式线性化。	优点：精度高于EKF，无需计算雅可比矩阵；缺点：计算量略高，对高维系统效率下降。	非线性系统状态估计（如目标跟踪、姿态估计）。	UKF避免线性化误差，直接处理非线性，但计算复杂度增加
自适应卡尔曼滤波 (AKF)	动态调整噪声协方差矩阵（Q/R）或状态模型，以适应系统统计特性变化。	优点：鲁棒性强；缺点：参数调整复杂，可能引入额外计算负担。	时变噪声环境（如传感器漂移、突变干扰）。	可与EKF/UKF结合，增强对不确定噪声的适应性。
迭代扩展卡尔曼滤波 (IEKF)	在EKF基础上多次迭代更新状态估计，逐步修正线性化误差。	优点：收敛性优于EKF；缺点：计算量显著增加。	高精度定位（如卫星导航、工业控制）。	EKF的改进版，通过迭代减少线性化截断误差。
集合卡尔曼滤波 (EnKF)	用随机采样集合表示状态分布，通过集合统计量近似协方差，适用于高维非线性系统。	优点：适合高维系统；缺点：需大量样本，可能低估协方差。	气象预测、海洋模型等大规模动态系统。	与UKF类似但采样方式不同，属于蒙特卡洛方法。
粒子滤波 (PF)	基于序贯重要性采样，用大量粒子表示状态分布，适用于非高斯、非线性系统。	优点：无需假设高斯分布；缺点：计算成本极高，粒子退化问题。	SLAM、目标跟踪（非高斯噪声场景）。	PF完全摆脱线性/高斯假设，但计算资源需求远高于KF
容积卡尔曼滤波 (CKF)	利用球面-径向容积规则选择采样点，计算非线性积分，平衡精度与效率。	优点：精度接近UKF，计算效率更高；缺点：对极端非线性可能不稳定。	航空航天、多传感器融合。	CKF通过更高效的采样策略提升非线性处理能力，但适用场景与UKF类似