kalman滤波在运动跟踪中的建模

kalman滤波在运动跟踪中的建模

ID:22811517

大小:262.51 KB

页数:16页

时间:2018-10-31

kalman滤波在运动跟踪中的建模_第1页
kalman滤波在运动跟踪中的建模_第2页
kalman滤波在运动跟踪中的建模_第3页
kalman滤波在运动跟踪中的建模_第4页
kalman滤波在运动跟踪中的建模_第5页
资源描述:

《kalman滤波在运动跟踪中的建模》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、目录一、kalman滤波简介2二、kalman滤波基本原理2三、Kalman滤波在运动跟踪中的应用的建模4四、仿真结果71、kalman的滤波效果72、简单轨迹的kalman的预测效果83、椭圆运动轨迹的预测104、往返运动归轨迹的预测11五、参数的选取12附录:14Matlab程序:14C语言程序:14Kalman滤波在运动跟踪中的应用Kalman滤波在运动跟踪中的应用一、kalman滤波简介最佳线性滤波理论起源于40年代美国科学家Wiener和前苏联科学家Kолмогоров等人的研究工作,后人统称为维纳滤波理论。从理论

2、上说,维纳滤波的最大缺点是必须用到无限过去的数据,不适用于实时处理。为了克服这一缺点,60年代Kalman把状态空间模型引入滤波理论,并导出了一套递推估计算法,后人称之为卡尔曼滤波理论。卡尔曼滤波是以最小均方误差为估计的最佳准则,来寻求一套递推估计的算法,其基本思想是:采用信号与噪声的状态空间模型,利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计,求出现时刻的估计值。它适合于实时处理和计算机运算。Kalman滤波是卡尔曼(R.E.kalman)于1960年提出的从与被提取信号的有关的观测量中通过算法估计出所需信号的

3、一种滤波算法。他把状态空间的概念引入到随机估计理论中,把信号过程视为白噪声作用下的—个线性系统的输出,用状方程来描述这种输入—输出关系,估计过程中利用系统状态方程、观测方程和白噪声激励(系统噪声和观测噪声)的统计特性形成滤波算法,由于所用的信息都是时域内的量,所以不但可以对平稳的一维随机过程进估计,也可以对非平稳的、多维随机过程进行估汁。Kalman滤波是一套由计算机实现的实时递推算法.它所处理的对象是随机信号,利用系统噪声和观测噪声的统计特性,以系统的观测量作为滤波器的输入,以所要估计值(系统的状态或参数)作为滤波器的输出

4、,滤波器的输入与输出之间是由时间更新和观测更新算法联系在一起的,根据系统方程和观测方程估计出所有需要处理的信号。所以,Kalman滤波与常规滤波的涵义与方法不同,它实质上是一种最优估计法。卡尔曼滤波器是一个“optimalrecursivedataprocessingalgorithm(最优化自回归数据处理算法),对于解决很大部分的问题,他是最优,效率最高甚至是最有用的二、kalman滤波基本原理Kalman滤波器是目标状态估计算法解决状态最优估计的一种常用方法具有计算量小、存储量低、实时性高的优点。实际应用中,可以将物理系

5、统的运行过程看作是一个状态转换过程,卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来。其基本思想是给系统信号和噪声的状态空间建立方程和观测方程,只用信号的前一个估计值和最近一个观察值就可以在线性无偏最小方差估计准则下对信号的当前值做出最优估计。设一系统所建立的模型为:15Kalman滤波在运动跟踪中的应用状态方程:个离散控制过程的系统,X(k)=AX(k-1)+BU(k)+W(k) 观测方程:系统的测量值Z(k)=HX(k)+V(k)上两式子中,X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制量。A和B是系

6、统参数,对于多模型系统,他们为矩阵。Z(k)是k时刻的测量值,H 是测量系统的参数,对于多测量系统,H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(WhiteGaussianNoise),他们的covariance 分别是Q,R(这里我们假设他们不随系统状态变化而变化)。对于满足上面的条件(线性随机微分系统,过程和测量都是高斯白噪声),卡尔曼滤波器是最优的信息处理器。下面我们来用他们结合他们的covariances 来估算系统的最优化输出(类似上一节那个温度的例子)。首先我们要利用系统的过程模型

7、,来预测下一状态的系统。假设现在的系统状态是k,根据系统的模型,可以基于系统的上一状态而预测出现在状态:         X(k

8、k-1)=AX(k-1

9、k-1)+BU(k)………(1)式(1)中,X(k

10、k-1)是利用上一状态预测的结果,X(k-1

11、k-1)是上一状态最优的结果,U(k)为现在状态的控制量,如果没有控制量,它可以为0。到现在为止,我们的系统结果已经更新了,可是,对应于X(k

12、k-1)的covariance还没更新。我们用P表示covariance:          P(k

13、k-1)=AP(k-1

14、k-1)

15、A’+Q………(2)式(2)中,P(k

16、k-1)是X(k

17、k-1)对应的covariance,P(k-1

18、k-1)是X(k-1

19、k-1)对应的covariance,A’表示 A的转置矩阵,Q是系统过程的covariance。式子1,2就是卡尔曼滤波器5个公式当中的前两个,也就是对系统的预测

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。