本文通过一个小车在轨道上的例子，详细解释了卡尔曼滤波的工作原理。文章介绍了如何使用卡尔曼滤波来减少预测误差，并通过融合预测值与测量值来提高定位精度。
作者：肖畅
链接：https://www.zhihu.com/question/23971601/answer/46480923
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
链接：https://www.zhihu.com/question/23971601/answer/46480923
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
刚刚学过并且试着直观地理解过，如有不妥的地方还望大牛们指教。
图片来源及参考文献： http://www.cl.cam.ac.uk/~rmf25/papers/Understanding%20the%20Basis%20of%20the%20Kalman%20Filter.pdf
题主如果只是想泛泛理解， @Kent Zeng 的回答已经非常棒了。我尝试做一个更详细的解答。
好了下面进入正题，先从简单的说起：
考虑轨道上的一个小车，无外力作用，它在时刻t的状态向量![x(t)]()
只与
![x(t-1)]()
相关：
（状态向量就是描述它的t=0时刻所有状态的向量，比如：
[速度大小5m/s, 速度方向右, 位置坐标0]，反正有了这个向量就可以完全预测t=1时刻小车的状态）
![x(t)=Fx(t-1)]()
那么根据t=0时刻的初值![x(0)]()
，理论上我们可以求出它任意时刻的状态。
当然，实际情况不会这么美好。
这个递推函数可能会 受到各种不确定因素的影响（内在的外在的都算，比如刮风下雨地震，小车结构不紧密，轮子不圆等等）导致![x(t)]()
并不能精确标识小车实际的状态。
我们假设每个状态分量受到的不确定因素都服从正态分布。
现在仅对小车的位置进行估计
请看下图：t=0时小车的位置服从红色的正态分布。
根据小车的这个位置，我们可以预测出t=1时刻它的位置：
分布变“胖”了，这很好理解——因为在递推的过程中又加了一层噪声，所以不确定度变大了。
为了避免纯估计带来的偏差，我们在t=1时刻对小车的位置坐标进行一次雷达测量，当然雷达对小车距离的测量也会受到种种因素的影响，于是测量结果告诉我们，小车t=1时的位置服从蓝色分布：
好了，现在我们得到两个不同的结果。前面有人提过加权，Kalman老先生的牛逼之处就在于找到了相应权值，使红蓝分布合并为下图这个 绿色的正态分布（啰嗦一句，这个绿色分布均值位置在红蓝均值间的比例称为Kalman增益(比如下图中近似0.8)，就是各种公式里的K(t)）
你问为什么牛逼？
绿色分布不仅保证了在红蓝给定的条件下，小车位于该点的概率最大，而且，而且，它居然还是一个正态分布！
正态分布就意味着，可以把它当做初值继续往下算了！这是Kalman滤波能够迭代的关键。
最后，把绿色分布当做第一张图中的红色分布对t=2时刻进行预测，算法就可以开始循环往复了。
你又要问了，说来说去绿色分布是怎么得出的呢？
其实可以通过多种方式推导出来。我们课上讲过的就有最大似然法、Ricatti方程法，以及上面参考文献中提及的直接对高斯密度函数变形的方法，这个不展开说了。
另外，由于我只对小车位移这个一维量做了估计，因此Kalman增益是标量，通常情况下它都是一个矩阵。而且如果估计多维量，还应该引入协方差矩阵的迭代，我也没有提到。如果楼主有兴趣，把我提及那篇参考文献吃透，就明白了。
Kalman滤波算法的本质就是利用两个正态分布的融合仍是正态分布这一特性进行迭代而已。
图片来源及参考文献： http://www.cl.cam.ac.uk/~rmf25/papers/Understanding%20the%20Basis%20of%20the%20Kalman%20Filter.pdf
题主如果只是想泛泛理解， @Kent Zeng 的回答已经非常棒了。我尝试做一个更详细的解答。
好了下面进入正题，先从简单的说起：
考虑轨道上的一个小车，无外力作用，它在时刻t的状态向量
（状态向量就是描述它的t=0时刻所有状态的向量，比如：
[速度大小5m/s, 速度方向右, 位置坐标0]，反正有了这个向量就可以完全预测t=1时刻小车的状态）
那么根据t=0时刻的初值
当然，实际情况不会这么美好。
这个递推函数可能会 受到各种不确定因素的影响（内在的外在的都算，比如刮风下雨地震，小车结构不紧密，轮子不圆等等）导致
我们假设每个状态分量受到的不确定因素都服从正态分布。
现在仅对小车的位置进行估计
请看下图：t=0时小车的位置服从红色的正态分布。
根据小车的这个位置，我们可以预测出t=1时刻它的位置：
分布变“胖”了，这很好理解——因为在递推的过程中又加了一层噪声，所以不确定度变大了。
为了避免纯估计带来的偏差，我们在t=1时刻对小车的位置坐标进行一次雷达测量，当然雷达对小车距离的测量也会受到种种因素的影响，于是测量结果告诉我们，小车t=1时的位置服从蓝色分布：
好了，现在我们得到两个不同的结果。前面有人提过加权，Kalman老先生的牛逼之处就在于找到了相应权值，使红蓝分布合并为下图这个 绿色的正态分布（啰嗦一句，这个绿色分布均值位置在红蓝均值间的比例称为Kalman增益(比如下图中近似0.8)，就是各种公式里的K(t)）
你问为什么牛逼？
绿色分布不仅保证了在红蓝给定的条件下，小车位于该点的概率最大，而且，而且，它居然还是一个正态分布！
正态分布就意味着，可以把它当做初值继续往下算了！这是Kalman滤波能够迭代的关键。
最后，把绿色分布当做第一张图中的红色分布对t=2时刻进行预测，算法就可以开始循环往复了。
你又要问了，说来说去绿色分布是怎么得出的呢？
其实可以通过多种方式推导出来。我们课上讲过的就有最大似然法、Ricatti方程法，以及上面参考文献中提及的直接对高斯密度函数变形的方法，这个不展开说了。
另外，由于我只对小车位移这个一维量做了估计，因此Kalman增益是标量，通常情况下它都是一个矩阵。而且如果估计多维量，还应该引入协方差矩阵的迭代，我也没有提到。如果楼主有兴趣，把我提及那篇参考文献吃透，就明白了。
Kalman滤波算法的本质就是利用两个正态分布的融合仍是正态分布这一特性进行迭代而已。
扫一扫
784
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
