Algorytm filtru Kalmana działa następująco
Zainicjuj i .
Przy każdej iteracji
Przepowiadać, wywróżyć
Przewidywany (a priori) stan oszacowania Przewidywana (a priori) szacunkowa kowariancja Aktualizacja
Innowacja lub pomiar resztkowy Innowacja (lub resztkowa) kowariancji Optymalne Kalmana przyrost Zaktualizowano oszacowanie stanu (a posteriori) Zaktualizowano (a posteriori) oszacuj kowariancję
Wzmocnienie Kalmana reprezentuje względną wagę błędu w odniesieniu do wcześniejszego oszacowania .
Zastanawiam się, jak intuicyjnie zrozumieć wzór Kalmana na zysk ? Rozważ przypadek, gdy stany i wyniki są skalarne, dlaczego zysk jest większy, kiedy
jest większy
jest większy
jest mniejszy?
Dziękuję i pozdrawiam!
kalman-filters
Tim
źródło
źródło
Odpowiedzi:
Znalazłem dobry sposób myślenia intuicyjnie wzmocnienia Kalmana . Jeśli napiszesz ten sposóbK K
uświadomisz sobie, że względne wielkości macierzy ( ) i ( ) kontrolują zależność między zastosowaniem przez filtr szacunkowego stanu oszacowanego ( ) a pomiarem ( ).Rk Pk xk⁻ ỹk
Podstawienie pierwszego limitu do równania aktualizacji pomiaru
sugeruje, że gdy wielkość jest niewielka, co oznacza, że pomiary są dokładne, oszacowanie stanu zależy głównie od pomiarów.R
Kiedy stan jest dokładnie znany, to jest małe w porównaniu do , a filtr najczęściej ignoruje pomiary oparte na prognozie wyprowadzonej z poprzedniego stanu ( ).HP⁻HT R xk⁻
źródło
Wzmocnienie Kalmana mówi ci, jak bardzo chcę zmienić swoje oszacowanie na podstawie danego pomiaru.
I odwrotnie, jeśli jest mały, to wiesz, że twój stan nie zmienia się tak bardzo, więc nie chcesz za bardzo zmieniać swoich oszacowań za każdym razem. @ Odpowiedź Jav_Rocka mówi, że jeśli , to . Innymi słowy, zasugerował, że jeśli uważasz, że twój stan już się nie zmienia, nie próbuj już zmieniać swojego oszacowania.Pk Pk→0 K→0
źródło
Jav_Rock ma rację. Właściwie jeśli napiszesz ten sposóbKk
licznik ułamka oznacza niepewność propagowaną z modelu, podczas gdy oznacza niepewność z pomiaru. Tak więc wartość ułamka oznacza, jak bardzo powinniśmy ufać pomiarowi, jak wyjaśnił Jav_Rock.Rk
Jeśli chodzi o , po prostu przekształca on obserwację z powrotem do stanu, ponieważ to jest stan, który chcemy zaktualizować, a nie obserwację.H−k
Podsumowując, wzmocnienie oblicza, ile korekty powinniśmy wziąć z obserwacji i przekształcić korektę obserwacji z powrotem w korektę stanu, co prowadzi do aktualizacji oszacowania stanu:Kk
źródło
Pracuję nad algorytmem filtru Kalmana (KF). Zauważyłem, że zysk Kalmana zajmuje się zbieżnością algorytmu z czasem, to znaczy, jak szybko algorytm koryguje i minimalizuje resztki.
Przechodząc do równania wybierz początkową wartość wzmocnienia Kalmana i zmieniaj ją od niskiej do wysokiej, co może dać ci przybliżoną wartość.
źródło