其他分享
首页 > 其他分享> > Kalman实际应用总结

Kalman实际应用总结

作者:互联网

目录

@

理论部分不详细说明,网上大部分都给出很好的解释

网上大部分都是理论和简单的例子,很少看到实战的信息

本博文是笔者实际使用的总结,如有错误,请不吝指教

Kalman理论介绍

一. 简单理论介绍理论

二. 升华理论介绍

Kalman基本应用

一. Kalman跟踪/滤波

对单个数据滤波,无法建立运动学模型

通过建立和自身相关的状态方程即可

是一种平滑操作(上一时刻和当前时刻的关系)

举例:

对一个平面运动的质点进行跟踪(\(、X、Y\))?

求解:

fig = plt.figure()
axis = fig.add_subplot(1,1,1)

func_data = lambda x : x + x^2
z = np.mat(func_data(np.arange(1,100)))
x_mat = np.mat([[0,],[0.]])#状态矩阵[x,delta_x]
p_mat = np.mat([[1, 0], [0, 1]])#状态协方差矩阵
f_mat = np.mat([[1, 1],[0.,1.]])#状态转移矩阵
q_mat = np.mat([[0.0001, 0], [0, 0.0001]])
h_mat = np.mat([1.,0])# 观测矩阵[x]
r_mat = np.mat([1])#观测协方差矩阵
result = []
for i in range(z.shape[1]):
    x_predict = f_mat * x_mat
    p_predict = f_mat * p_mat * f_mat.T + q_mat
   
    kalman = p_predict * h_mat.T / (h_mat * p_predict * h_mat.T + r_mat)  
    
    x_mat = x_predict + kalman *(z[0, i] - h_mat * x_predict)
    p_mat = (np.eye(2) - kalman * h_mat) * p_predict
    result.append(x_predict[0,0])

axis.plot(result,label='predict')
axis.plot(z.tolist()[0],label='groundtruth')
axis.legend()

二. Kalman预测/融合(单传感器)

举例一:

一个运动小车的位置和速度的测量等信息可以被测量(一个传感器),也可以通过牛顿运动学方程进行解算,这两个到底谁占的比例高?使用Kalman的协方差矩阵进行比例的计算。。。。具体看文档

举例二:

import numpy as np
import matplotlib.pyplot as plt

def kalman_xy(x, P, measurement, R,
              motion = np.matrix('0. 0. 0. 0.').T,
              Q = np.matrix(np.eye(4))):
    """
    Parameters:    
    x: initial state 4-tuple of location and velocity: (x0, x1, x0_dot, x1_dot)
    P: initial uncertainty convariance matrix
    measurement: observed position
    R: measurement noise 
    motion: external motion added to state vector x
    Q: motion noise (same shape as P)
    """
    return kalman(x, P, measurement, R, motion, Q,
                  F = np.matrix('''
                      1. 0. 1. 0.;
                      0. 1. 0. 1.;
                      0. 0. 1. 0.;
                      0. 0. 0. 1.
                      '''),
                  H = np.matrix('''
                      1. 0. 0. 0.;
                      0. 1. 0. 0.'''))

def kalman(x, P, measurement, R, motion, Q, F, H):
    '''
    Parameters:
    x: initial state
    P: initial uncertainty convariance matrix
    measurement: observed position (same shape as H*x)
    R: measurement noise (same shape as H)
    motion: external motion added to state vector x
    Q: motion noise (same shape as P)
    F: next state function: x_prime = F*x
    H: measurement function: position = H*x

    Return: the updated and predicted new values for (x, P)

    See also http://en.wikipedia.org/wiki/Kalman_filter

    This version of kalman can be applied to many different situations by
    appropriately defining F and H 
    '''
    # UPDATE x, P based on measurement m    
    # distance between measured and current position-belief
    y = np.matrix(measurement).T - H * x
    S = H * P * H.T + R  # residual convariance
    K = P * H.T * S.I    # Kalman gain
    x = x + K*y
    I = np.matrix(np.eye(F.shape[0])) # identity matrix
    P = (I - K*H)*P

    # PREDICT x, P based on motion
    x = F*x + motion
    P = F*P*F.T + Q

    return x, P

def demo_kalman_xy():
    x = np.matrix('0. 0. 0. 0.').T 
    P = np.matrix(np.eye(4))*1000 # initial uncertainty

    N = 20
    true_x = np.linspace(0.0, 10.0, N)
    true_y = true_x**2
    observed_x = true_x + 0.05*np.random.random(N)*true_x
    observed_y = true_y + 0.05*np.random.random(N)*true_y
    plt.plot(observed_x, observed_y, 'ro')
    result = []
    R = 0.01**2
    for meas in zip(observed_x, observed_y):
        x, P = kalman_xy(x, P, meas, R)
        result.append((x[:2]).tolist())
    kalman_x, kalman_y = zip(*result)
    plt.plot(kalman_x, kalman_y, 'g-')
    plt.show()

demo_kalman_xy()

这部分比较简单,网上的例子大部分都是基于此的。。。

三. Kalman多传感器融合A

举例:

以汽车跟踪为例,目标是知道汽车时刻的状态\(x=(p_x,p_y,v_x,v_y)\)\(x=(p_x,p_y,v_x,v_y)\)

已知的传感器有\(、lidar、radar\)。

\(lidar\):笛卡尔坐标系。可检测到位置,没有速度信息。其测量值\(z=(px,py)z=(px,py)\)。

\(radar\):极坐标系。可检测到距离,角度,速度信息,但是精度较低。其测量值\(z=(ρ,ϕ,ρ˙)z=(ρ,ϕ,ρ˙)\),

这是优达学城的一个例子,具体我也没视频网址。

\(matlab\)代码地址在这里,\(python\)代码在这里

注意:

​ 这里相当于建立了两个模型,一个线性模型,一个非线性模型,在不同的时刻使用不同的传感器进行更新

​ 其实就是单个传感器合并到一起了。。。。

四. Kalman多传感器融合B

举例:

一个小车做不均则运动(速度、加速度、角速度等都是可变的),现在有两个传感器:仪器A仪器B,他们都能测量 \(\omega\) 和 \(v\) ,那么如何进行融合两个传感器呢?

这里其实和Kalman的滤波比较类似,就是把两个传感器当做一个传感器的不同时间序列 \(T_1,T_2\) 时刻测量的数据,然后滤波操作。

五. Kalman多传感器融合C

条件和Kalman多传感器融合B相同,单处理方式不同

由于部分传感器精度不同,进行特定的取舍很有必要(亲身经历

假设求取小车的 \(\omega\) 和 \(v\)

传感器A对\(\omega\) 测量较为准确

传感器B对 \(v\) 测量较为准确

解决:

其实我们如果直接按照Kalman多传感器融合B进行操作的话,误差基本不会缩小,可能还会增加

这个时候笔者的解决方案是把传感器A和B当做一个整体传感器C,传感器C测量的 \(\omega\) 是A的,测量的 \(v\) 是B的

那么我们就把这个合起来的传感器C进行滤波就行了

实测可用。。。

六. Kalman多传感器融合D

看到网上很多人问这个问题,这里笔者没有亲自实现,只是做了猜想,不正确还望读者指正

解决:

由于卡尔曼只能一次融合两个信息(预测和观测),所以只能进行如下想法

  1. 进行两次融合,一次是预测和传感器A,一次结果和传感器B(这部分就是多传感器B
  2. 进行一次融合,预测和新的传感器C(Kalman多传感器融合C

七. Extend Kalman

注意:

笔者认为这种情况比较少见,因为 \(t\) 趋向于 \(\epsilon\) ,所以可以认为在无穷小的区间都近似于很恒定的

实在没办法的时候就使用EKF,原理都很简单,计算代价大许多

后续可以使用UKF进行操作,这部分笔者还未尝试

本文总结

最后来个简单的总结,什么是卡尔曼\(K\)?

两个相同信息:A 和 B

都满足\(y=kx+b\)

那么如何得到 \(y\) ?

正常来说:\(y=(A+B)/2*x+b\)

但是好像不是非常好,这个\((A+B)/2\)总是不变的,假如他们某个时刻占比改变了呢?

这个时候\(Kalman\)的作用的体现了,他计算A和B的关系(看公式吧)

得出一个系数 \(K\) 这个\(K\) 和A、B相关

此时:\(y=K*x+b\)

输入的A、B不同,那么\(K\)也不同

完毕!!!

标签:总结,kalman,应用,Kalman,matrix,传感器,np,mat
来源: https://www.cnblogs.com/wjy-lulu/p/11370556.html