ekf演算法

❶ 粒子濾波的粒子濾波的發展

Unscented Kalman濾波器(UKF)是Julier等人提出的。EKF(Extended Kalman Filter)使用一階Taylor展開式逼近非線性項，用高斯分布近似狀態分布。UKF類似於EKF，用高斯分布逼近狀態分布，但不需要線性化只使用少數幾個稱為Sigma點的樣本。這些點通過非線性模型後，所得均值和方差能夠精確到非線性項Taylor展開式的二階項，從而對非線性濾波精度更高。Merwe等人提出使用UKF產生PF的重要性分布，稱為Unscented粒子濾波器(UPF)，由UKF產生的重要性分布與真實狀態PDF的支集重疊部分更大，估計精度更高。
Rao－Blackwellised粒子濾波器(RBPF)
在高維狀態空間中采樣時,PF的效率很低。對某些狀態空間模型，狀態向量的一部分在其餘部分的條件下的後驗分布可以用解析方法求得，例如某些狀態是條件線性高斯模型，可用Kalman濾波器得到條件後驗分布，對另外部分狀態用PF，從而得到一種混合濾波器，降低了PF采樣空間的維數，RBPF樣本的重要性權的方差遠遠低於SIR方法的權的方差，為使用粒子濾波器解決 SLAM問題提供了理論基礎。而Montemerlo等人在2002年首次將Rao-Blackwellised粒子濾波器應用到機器人SLAM中，並取名為FastSLAM演算法。該演算法將SLAM問題分解成機器人定位問題和基於位姿估計的環境特徵位置估計問題，用粒子濾波演算法做整個路徑的位置估計，用EKF估計環境特徵的位置，每一個EKF對應一個環境特徵。該方法融合EKF和概率方法的優點，既降低了計算的復雜度，又具有較好的魯棒性。
最近幾年，粒子方法又出現了一些新的發展，一些領域用傳統的分析方法解決不了的問題，現在可以藉助基於粒子模擬的方法來解決。在動態系統的模型選擇、故障檢測、診斷方面，出現了基於粒子的假設檢驗、粒子多模型、粒子似然度比檢測等方法。在參數估計方面，通常把靜止的參數作為擴展的狀態向量的一部分，但是由於參數是靜態的，粒子會很快退化成一個樣本，為避免退化，常用的方法有給靜態參數人為增加動態雜訊以及Kernel平滑方法，而Doucet等提出的點估計方法避免對參數直接采樣，在粒子框架下使用最大似然估計(ML)以及期望值最大(EM)演算法直接估計未知參數。

❷ 擴展卡爾曼濾波（EKF）演算法詳細推導及模擬（Matlab）

姓名：王柯禕

學號：20021110373T

轉自 ：https://blog.csdn.net/gangdanerya/article/details/105105611

【嵌牛導讀】介紹擴展卡爾曼濾波（EKF）演算法的詳細推導，局限性和MATLAB模擬。

【嵌牛鼻子】擴展卡爾曼濾波（EKF）

【嵌牛正文】

擴展卡爾曼濾波演算法 是解決非線性狀態估計問題最為直接的一種處理方法，盡管EKF不是最精確的」最優「濾波器，但在過去的幾十年成功地應用到許多非線性系統中。所以在學習非線性濾波問題時應該先從EKF開始。

EKF演算法是將非線性函數進行泰勒展開，然後省略高階項，保留展開項的一階項，以此來實現非線性函數線性化，最後通過卡爾曼濾波演算法近似計算系統的狀態估計值和方差估計值。

一、EKF演算法詳細推導

【注】EKF推導參考的是黃蔚的博士論文「CKF及魯棒濾波在飛行器姿態估計中的應用研究」，論文中EKF，UKF和CKF等演算法講解的都很詳細，值得一看。

我們把KF與EKF演算法拿出來對比可以發現：

二、EKF演算法局限性：

該演算法線性化會引入階段誤差從而導致濾波精度下降，同時當初始狀態誤差較大或系統模型非線性程度較高時，濾波精度會受到嚴重影響甚至發散。

需要計算雅克比矩陣，復雜，計算量大，影響系統的實時性，還會導致EKF演算法的數值穩定性差。

當系統存在模型失配，量測干擾，量測丟失，量測延遲或狀態突變等復雜情況時，EKF演算法魯棒性差。

三、Matlab模擬：

clear all;clc;   close all;

tf = 50; 

Q = 10;w=sqrt(Q)*randn(1,tf); 

R = 1;v=sqrt(R)*randn(1,tf);

P =eye(1);

x=zeros(1,tf);

Xnew=zeros(1,tf);

x(1,1)=0.1; 

Xnew(1,1)=x(1,1);

z=zeros(1,tf);

z(1)=x(1,1)^2/20+v(1);

zjian=zeros(1,tf);

zjian(1,1)=z(1);

for k = 2 : tf

%%%%%%%%%%%%%%%模擬系統%%%%%%%%%%%%%%%

    x(:,k) = 0.5 * x(:,k-1) + (2.5 * x(:,k-1) / (1 + x(:,k-1).^2)) + 8 * cos(1.2*(k-1)) + w(k-1); 

    z(k) = x(:,k).^2 / 20 + v(k);

%%%%%%%%%%%%%%%EKF開始%%%%%%%%%%%%%%%

    Xpre = 0.5*Xnew(:,k-1)+ 2.5*Xnew(:,k-1)/(1+Xnew(:,k-1).^2) + 8 * cos(1.2*(k-1));  

    zjian =Xpre.^2/20;

    F = 0.5 + 2.5 * (1-Xnew.^2)/((1+Xnew.^2).^2);

    H = Xpre/10;    

    PP=F*P*F'+Q; 

    Kk=PP*H'*inv(H*PP*H'+R);

    Xnew(k)=Xpre+Kk*(z(k)-zjian);

    P=PP-Kk*H*PP;

end

  t = 2 : tf;  

 figure;   plot(t,x(1,t),'b',t,Xnew(1,t),'r*');  legend('真實值','EKF估計值');

模擬結果：

❸ 目標跟蹤檢測演算法（一）——傳統方法

姓名：劉帆；學號：20021210609；學院：電子工程學院

https://blog.csdn.net/qq_34919792/article/details/89893214

【嵌牛導讀】目標跟蹤演算法研究難點與挑戰在於實際復雜的應用環境 、背景相似干擾、光照條件的變化、遮擋等外界因素以及目標姿態變化，外觀變形，尺度變化、平面外旋轉、平面內旋轉、出視野、快速運動和運動模糊等。而且當目標跟蹤演算法投入實際應用時，不可避免的一個問題——實時性問題也是非常的重要。正是有了這些問題，才使得演算法研究充滿著難點和挑戰。

【嵌牛鼻子】目標跟蹤演算法，傳統演算法

【嵌牛提問】利用目標跟蹤檢測演算法要達到何目的?第一階段的單目標追蹤演算法包括什麼?具體步驟有哪些?它們有何特點?

【嵌牛正文】

第一階段

目標跟蹤分為兩個部分，一個是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一個是對目標特徵進行跟蹤。

1、靜態背景

1）背景差： 對背景的光照變化、雜訊干擾以及周期性運動等進行建模。通過當前幀減去背景圖來捕獲運動物體的過程。

2）幀差： 由於場景中的目標在運動，目標的影像在不同圖像幀中的位置不同。該類演算法對時間上連續的兩幀或三幀圖像進行差分運算，不同幀對應的像素點相減，判斷灰度差的絕對值，當絕對值超過一定閾值時，即可判斷為運動目標，從而實現目標的檢測功能。

與二幀差分法不同的是，三幀差分法（交並運算）去除了重影現象，可以檢測出較為完整的物體。幀間差分法的原理簡單，計算量小，能夠快速檢測出場景中的運動目標。但幀間差分法檢測的目標不完整，內部含有「空洞」，這是因為運動目標在相鄰幀之間的位置變化緩慢，目標內部在不同幀圖像中相重疊的部分很難檢測出來。幀間差分法通常不單獨用在目標檢測中，往往與其它的檢測演算法結合使用。

3）Codebook

演算法為圖像中每一個像素點建立一個碼本，每個碼本可以包括多個碼元（對應閾值范圍），在學習階段，對當前像素點進行匹配，如果該像素值在某個碼元的學習閾值內，也就是說與之前出現過的某種歷史情況偏離不大，則認為該像素點符合背景特徵，需要更新對應點的學習閾值和檢測閾值。

如果新來的像素值與每個碼元都不匹配，則可能是由於動態背景導致，這種情況下，我們需要為其建立一個新的碼元。每個像素點通過對應多個碼元，來適應復雜的動態背景。

在應用時，每隔一段時間選擇K幀通過更新演算法建立CodeBook背景模型，並且刪除超過一段時間未使用的碼元。

4）GMM

混合高斯模型（Gaussian of Micture Models，GMM）是較常用的背景去除方法之一（其他的還有均值法、中值法、滑動平均濾波等）。

首先我們需要了解單核高斯濾波的演算法步驟：

混合高斯建模GMM（Gaussian Mixture Model）作為單核高斯背景建模的擴展，是目前使用最廣泛的一種方法，GMM將背景模型描述為多個分布，每個像素的R、G、B三個通道像素值的變化分別由一個混合高斯模型分布來刻畫，符合其中一個分布模型的像素即為背景像素。作為最常用的一種背景建模方法，GMM有很多改進版本，比如利用紋理復雜度來更新差分閾值，通過像素變化的劇烈程度來動態調整學習率等。

5）ViBe（2011）

ViBe演算法主要特點是隨機背景更新策略，這和GMM有很大不同。其步驟和GMM類似。具體的思想就是為每個像素點存儲了一個樣本集，樣本集中采樣值就是該像素點過去的像素值和其鄰居點的像素值，然後將每一個新的像素值和樣本集進行比較來判斷是否屬於背景點。

其中pt（x）為新幀的像素值，R為設定值，p1、p2、p3….為樣本集中的像素值，以pt（x）為圓心R為半徑的圓被認為成一個集，當樣本集與此集的交集大於設定的閾值#min時，可認為此為背景像素點（交集越大，表示新像素點與樣本集越相關）。我們可以通過改變#min的值與R的值來改變模型的靈敏度。

Step1：初始化單幀圖像中每個像素點的背景模型。假設每一個像素和其鄰域像素的像素值在空域上有相似的分布。基於這種假設，每一個像素模型都可以用其鄰域中的像素來表示。為了保證背景模型符合統計學規律，鄰域的范圍要足夠大。當輸入第一幀圖像時，即t=0時，像素的背景模型。其中，NG（x,y）表示空域上相鄰的像素值，f(xi,yi)表示當前點的像素值。在N次的初始化的過程中，NG（x,y）中的像素點(xi,yi)被選中的可能次數為L=1,2,3,…,N。

Step2：對後續的圖像序列進行前景目標分割操作。當t=k時，像素點(x,y)的背景模型為BKm(x,y)，像素值為fk(x,y)。按照下面判斷該像素值是否為前景。這里上標r是隨機選的；T是預先設置好的閾值。當fk(x,y)滿足符合背景#N次時，我們認為像素點fk(x,y)為背景，否則為前景。

Step3：ViBe演算法的更新在時間和空間上都具有隨機性。每一個背景點有1/ φ的概率去更新自己的模型樣本值，同時也有1/ φ的概率去更新它的鄰居點的模型樣本值。更新鄰居的樣本值利用了像素值的空間傳播特性，背景模型逐漸向外擴散，這也有利於Ghost區域的更快的識別。同時當前景點計數達到臨界值時將其變為背景，並有1/ φ的概率去更新自己的模型樣本值（為了減少緩慢移動物體的影響和攝像機的抖動）。

可以有如下總結，ViBe中的每一個像素點在更新的時候都有一個時間和空間上隨機影響的范圍，這個范圍很小，大概3x3的樣子，這個是考慮到攝像頭抖動時會有坐標的輕微來回變化，這樣雖然由於ViBe的判別方式仍認為是背景點，但是也會對後面的判別產生影響，為了保證空間的連續性，隨機更新減少了這個影響。而在樣本值保留在樣本集中的概率隨著時間的增大而變小，這就保證了像素模型在時間上面的延續特性。

6）光流

光流是由物體或相機的運動引起的圖像對象在兩個連續幀之間的視在運動模式。它是2D矢量場，其中每個矢量是一個位移矢量，顯示點從第一幀到第二幀的移動。

光流實際上是一種特徵點跟蹤方法，其計算的為向量，基於三點假設：

1、場景中目標的像素在幀間運動時亮度（像素值或其衍生值）不發生變化；2、幀間位移不能太大；3、同一表面上的鄰近點都在做相同的運動；

光流跟蹤過程：1）對一個連續視頻幀序列進行處理；2）對每一幀進行前景目標檢測；3）對某一幀出現的前景目標，找出具有代表性的特徵點（Harris角點）；4）對於前後幀做像素值比較，尋找上一幀在當前幀中的最佳位置，從而得到前景目標在當前幀中的位置信息；5）重復上述步驟，即可實現目標跟蹤

2、運動場（分為相機固定，但是視角變化和相機是運動的）

1）運動建模（如視覺里程計運動模型、速度運動模型等）

運動學是對進行剛性位移的相機進行構型，一般通過6個變數來描述，3個直角坐標，3個歐拉角（橫滾、俯仰、偏航）。

Ⅰ、對相機的運動建模

由於這個不是我們本次所要討論的重點，但是在《概率機器人》一書中提出了很多很好的方法，相機的運動需要對圖像內的像素做位移矩陣和旋轉矩陣的坐標換算。除了對相機建立傳統的速度運動模型外，也可以用視覺里程計等通關過置信度的更新來得到概率最大位置。

Ⅱ、對於跟蹤目標的運動建模

該方法需要提前通過先驗知識知道所跟蹤的目標對象是什麼，比如車輛、行人、人臉等。通過對要跟蹤的目標進行建模，然後再利用該模型來進行實際的跟蹤。該方法必須提前知道要跟蹤的目標對象是什麼，然後再去跟蹤指定的目標，這是它的局限性，因而其推廣性相對比較差。（比如已知跟蹤的物體是羽毛球，那很容易通過前幾幀的取點，來建立整個羽毛球運動的拋物線模型）

2）核心搜索演算法（常見的預測演算法有Kalman(卡爾曼)濾波、擴展卡爾曼濾波、粒子濾波）

Ⅰ、Kalman 濾波

Kalman濾波器是通過前一狀態預測當前狀態，並使用當前觀測狀態進行校正，從而保證輸出狀態平穩變化，可有效抵抗觀測誤差。因此在運動目標跟蹤中也被廣泛使用。

在視頻處理的運動目標跟蹤里，每個目標的狀態可表示為(x,y,w,h)，x和y表示目標位置，w和h表示目標寬高。一般地認為目標的寬高是不變的，而其運動速度是勻速，那麼目標的狀態向量就應該擴展為(x,y,w,h,dx,dy)，其中dx和dy是目標當前時刻的速度。通過kalman濾波器來估計每個時刻目標狀態的大致過程為：

對視頻進行運動目標檢測，通過簡單匹配方法來給出目標的第一個和第二個狀態，從第三個狀態開始，就先使用kalman濾波器預測出當前狀態，再用當前幀圖像的檢測結果作為觀測值輸入給kalman濾波器，得到的校正結果就被認為是目標在當前幀的真實狀態。(其中，Zt為測量值，為預測值，ut為控制量，Kt為增益。)

Ⅱ、擴展卡爾曼濾波（EKF）和無跡卡爾曼濾波（UKF）

由於卡爾曼濾波的假設為線性問題，無法直接用在非線性問題上，EKF和UKF解決了這個問題（這個線性問題體現在用測量量來計算預測量的過程中）。EKF是通過構建線性函數g(x)，與非線性函數相切，並對每一時刻所求得的g（x）做KF，如下圖所示。

UKF與EKF去求解雅可比矩陣擬合線性方程的方法不同，通過對那個先驗分布中的採集點，來線性化隨機變數的非線性函數。與EKF所用的方法不同，UKF產生的高斯分布和實際高斯分布更加接近，其引起的近似誤差也更小。

Ⅲ、粒子濾波

1、初始狀態：基於粒子濾波的目標追蹤方法是一種生成式跟蹤方法，所以要有一個初始化的階段。對於第一幀圖像，人工標定出待檢測的目標，對該目標區域提出特徵；

2、搜索階段：現在已經知道了目標的特徵，然後就在目標的周圍撒點(particle), 如：a)均勻的撒點;b)按高斯分布撒點，就是近的地方撒得多，遠的地方撒的少。論文里使用的是後一種方法。每一個粒子都計算所在區域內的顏色直方圖，如初始化提取特徵一樣，然後對所有的相似度進行歸一化。文中相似性使用的是巴氏距離；

3、重采樣：根據粒子權重對粒子進行篩選，篩選過程中，既要大量保留權重大的粒子，又要有一小部分權重小的粒子；

4、狀態轉移：將重采樣後的粒子帶入狀態轉移方程得到新的預測粒子；

5、測量及更新：對目標點特徵化，並計算各個粒子和目標間的巴氏距離，更新粒子的權重；

6、決策階段：每個粒子都獲得一個和目標的相似度，相似度越高，目標在該范圍出現的可能性越高，將保留的所有粒子通過相似度加權後的結果作為目標可能的位置。

3）Meanshift演算法

MeanShift演算法屬於核密度估計法，它不需要任何先驗知識而完全依靠特徵空間中樣本點的計算其密度函數值。對於一組采樣數據，直方圖法通常把數據的值域分成若干相等的區間，數據按區間分成若干組，每組數據的個數與總參數個數的比率就是每個單元的概率值；核密度估計法的原理相似於直方圖法，只是多了一個用於平滑數據的核函數。採用核函數估計法，在采樣充分的情況下，能夠漸進地收斂於任意的密度函數，即可以對服從任何分布的數據進行密度估計。

Meanshift演算法步驟

1、通過對初始點（或者上一幀的目標點）為圓心，繪制一個半徑為R的圓心，尋找特徵和該點相似的點所構成的向量；

2、所有向量相加，可以獲得一個向量疊加，這個向量指向特徵點多的方向；

3、取步驟二的向量終點為初始點重復步驟一、二，直到得到的向量小於一定的閾值，也就是說明當前位置是特徵點密度最密集的地方，停止迭代，認為該點為當前幀的目標點；

4）Camshift演算法

Camshift演算法是MeanShift演算法的改進，稱為連續自適應的MeanShift演算法。Camshift 是由Meanshift 推導而來 Meanshift主要是用在單張影像上，但是獨立一張影像分析對追蹤而言並無意義，Camshift 就是利用MeanShift的方法，對影像串列進行分析。

1、首先在影像串列中選擇目標區域。

2、計算此區域的顏色直方圖（特徵提取）。

3、用MeanShift演演算法來收斂欲追蹤的區域。

4、通過目標點的位置和向量信息計算新的窗口大小，並標示之。

5、以此為參數重復步驟三、四。

Camshift 關鍵就在於當目標的大小發生改變的時候，此演算法可以自適應調整目標區域繼續跟蹤。

3、小結

第一階段的單目標追蹤演算法基本上都是傳統方法，計算量小，在嵌入式等設備中落地較多，opencv中也預留了大量的介面。通過上面的兩節的介紹，我們不難發現，目標檢測演算法的步驟分為兩部分，一部分是對指定目標尋找可以跟蹤的特徵，常用的有顏色，輪廓，特徵點，軌跡等，另一部分是對目標特徵進行跟蹤，如上文所提及的方法。所以目標檢測方法的發展，也可總結為兩個方面，一個是如何去獲得更加具有區分性的可跟蹤的穩定特徵，另一個是如何建立幀與幀之間的數據關聯，保證跟蹤目標是正確的。

隨著以概率為基礎的卡爾曼濾波、粒子濾波或是以Meanshift為代表向量疊加方法在目標檢測的運用，使得目標檢測不再需要假設自身的一個狀態為靜止的，而是可以是運動的，更加符合復雜場景中的目標跟蹤。

❹ Apollo鍗″皵鏇兼護娉涓嶦KF

浼犳劅鍣ㄥ瓨鍦ㄨ宸鈥斺旈渶瑕佽窡韙鈥斺斿崱灝旀浖婊ゆ嘗

闅滅嶇墿璺熻釜銆佽濺閬撶嚎璺熻釜銆侀殰紕嶇墿棰勬祴浠ュ強瀹氫綅絳夐嗗煙錛

綰挎х郴緇燂紝涓斿弬鏁版槸絎﹀悎楂樻柉鍒嗗竷 錛屽嵆瀹屽叏鍙浠ヨ鍧囧煎拰鍗忔柟宸鍙傛暟鍖:X∼N(渭, 蟽²)銆

棰勬祴鐘舵侊紙prediction錛変笌瑙傛祴鐘舵(measurement)鍒嗗埆鍔犳潈奼傚拰浣滀負鏂版椂鍒葷殑鐘舵佸悜閲忋

prediction 錛

(鐘舵佸崗鏂瑰樊鐭╅樀錛岃〃紺虹郴緇熶笉紜瀹氬害)

measurement update :

錛堝疄闄呰傛祴鍒扮殑嫻嬮噺鍊 z 涓庨勬祴鍊 x' 涔嬮棿宸鍊 y錛

錛堝綋鍓嶇姸鎬佸悜閲 x 鐨勬洿鏂幫級

錛堟牴鎹鍗″皵鏇煎炵泭錛屾洿鏂頒簡緋葷粺鐨勪笉紜瀹氬害 P錛

鍏朵腑錛
F 錛坰tate transition matrix錛夛細鐘舵佽漿縐葷煩闃(榪愬姩瀛︽帹瀵)錛

B 錛氭帶鍒惰緭鍏ョ煩闃碉紱

u 錛氬紩璧瘋繍鍔ㄧ殑杈撳叆鍚戦噺錛堝傛補闂ㄣ佸埞杞︺佽漿瑙掞級錛

w 錛氳繃紼嬪悜閲忎腑鐨勫櫔澹板洜緔狅紝絎﹀悎楂樻柉鍒嗗竷錛寃∼N(0,Q)錛

P 錛坰tate covariance matrix錛夛細鍦ㄥ崱灝旀浖婊ゆ嘗鍣ㄥ垵濮嬪寲鏃朵細寰堝ぇ錛岄殢鐫瓚婃潵瓚婂氱殑鏁版嵁娉ㄥ叆婊ゆ嘗鍣ㄤ腑錛屼笉紜瀹氱▼搴︿細鍙樺皬錛

Q 錛坧rocess covariance matrix錛夛細榪囩▼鍣澹幫紝鍗蟲棤娉曠敤 x'=Fx+u 琛ㄧず鐨勫櫔澹幫紝姣斿傝濺杈嗚繍鍔ㄦ椂紿佺劧鍒頒簡涓婂潯錛岃繖涓褰卞搷鏄鏃犳硶鐢ㄤ箣鍓嶇殑鐘舵佽漿縐諱及璁＄殑錛涳紙鐢變簬 Q 瀵規暣涓緋葷粺瀛樺湪褰卞搷錛屼絾鍙堜笉鑳藉お紜瀹氬圭郴緇熺殑褰卞搷鏈夊氬ぇ銆傚伐 紼嬩笂錛屾垜浠涓鑸灝 Q 璁劇疆涓哄崟浣嶇煩闃靛弬涓庤繍綆 錛

H 錛圡easurement Matrix錛夛細嫻嬮噺鐭╅樀錛 鐢變簬浼犳劅鍣ㄧ殑嫻嬮噺鍊間笉涓瀹氬氨鏄鐩存帴鐨勭姸鎬佸悜閲 錛屽傛綾蟲嘗闆瘋揪鏄瑙掑害鍜屼綅緗淇℃伅錛岃繖閲孒灝辨槸杞鎹㈢煩闃碉紝灝嗛勬祴鍚戦噺杞涓烘祴閲忔暟鎹錛

R 錛坢easurement covariance matrix錛夛細嫻嬮噺鍣澹扮煩闃碉紝琛ㄧず鐨勬槸嫻嬮噺鍊間笌鐪熷間箣闂寸殑宸鍊箋備竴鑸鎯呭喌涓嬶紝浼犳劅鍣ㄧ殑鍘傚朵細鎻愪緵璇ュ礆紱

S 鍙鏄涓轟簡綆鍖栧叕寮忥紝鍐欑殑涓涓涓存椂鍙橀噺錛

K 錛圞alman Gain錛夛細鍗″皵鏇煎炵泭錛屼篃鍗硑鐨勬潈閲嶃

闂棰 錛氶拡瀵圭嚎鎬х郴緇燂紝涓旂﹀悎楂樻柉鍒嗗竷銆

褰撶姸鎬佸悜閲忎笌嫻嬮噺閲忎箣闂存槧灝勫叧緋繪槸 闈炵嚎鎬 鏃訛紝榪欏皢浣垮緱鍗″皵鏇兼護娉㈢殑榪囩▼鍜屾祴閲忕﹀悎楂樻柉鍒嗗竷鐨勫亣璁炬棤鏁堛

濡傛綾蟲嘗闆瘋揪錛岃繑鍥炴暟鎹鏄鍩轟簬鏋佸潗鏍囩郴錛屽寘鍚錛

姝ゆ椂錛孒杞縐葷煩闃碉紙鐘舵佸悜閲忓悜嫻嬮噺鏁版嵁杞鎹錛夛紝涔熷嵆絎涘崱灝斿潗鏍囧悜鏋佸潗鏍囨槧灝勶細

榪欎釜鏄犲皠灝辨槸闈炵嚎鎬у嚱鏁般

EKF 浣跨敤 灞閮ㄧ嚎鎬ч艱繎闈炵嚎鎬фā鍨 錛岄氳繃璁＄畻褰撳墠鐘舵佷及璁＄殑 涓闃舵嘲鍕掑睍寮 寰楀嚭銆備竴闃剁殑閫艱繎涔熷彨 闆呭厠姣旂煩闃 銆

濡傚逛笂 娉板嫆灞曞紑錛堝湪鍧囧紆澶勶紝鏈渚嬩負0錛夛紝
奼傚嚭闆呭厠姣旂煩闃靛備笅錛

瀵規瘮鍏寮

2. 鑷鍔ㄩ┚椹朵腑鐨勪紶鎰熷櫒鋙嶅悎綆楁硶錛氱涓閮ㄥ垎 - 鍗″皵鏇兼護娉㈠櫒鍜屾墿灞曞崱灝旀浖婊ゆ嘗鍣

5. 璇﹁В鍗″皵鏇兼護娉㈠師鐞

❺ 無味卡爾曼濾波與擴展卡爾曼濾波的具體區別，以及演算法

EKF是對非線性系統模型（方程）進行的線性化近似，以利用KF演算法進行濾波估計。而UKF是對狀態的概率統計近似，即設計少量的σ點，由σ點經由非線性函數的傳播，計算出隨機向量一、二階統計特性的傳播，對於高斯雜訊的假設，UKF能夠達到三階估計精度，而EKF只能達到二階精度，但其演算法仍然是利用KF的演算法。
現在國內外的文獻大都是對UKF演算法的改進和應用進行論述，但對演算法的穩定性等沒有系統的論述。我了解得沈陽自動化所做的這方面的工作很多。