¿Cómo entender Kalman ganar intuitivamente?

30

El algoritmo de filtro de Kalman funciona de la siguiente manera

Inicializar y . $\hat{\textbf{x}}_{0|0}$ $\textbf{P}_{0|0}$

En cada iteración $k=1,\dots,n$

Predecir

Predicho (a priori) del estado estimación Estimación de covarianza estimada (a priori) Actualizar
${\hat{x}}_{k | k - 1} = F_{k} {\hat{x}}_{k - 1 | k - 1} + B_{k} u_{k}$ $\hat{\textbf{x}}_{k|k-1} = \textbf{F}_{k}\hat{\textbf{x}}_{k-1|k-1} + \textbf{B}_{k} \textbf{u}_{k}$ $P_{k | k - 1} = F_{k} P_{k - 1 | k - 1} F_{k}^{T} + Q_{k}$ $\textbf{P}_{k|k-1} = \textbf{F}_{k} \textbf{P}_{k-1|k-1} \textbf{F}_{k}^{\text{T}} + \textbf{Q}_{k}$
Innovación o medición residual Covarianza innovación (o residual) Ganancia óptima de Kalman
${\tilde{y}}_{k} = z_{k} - H_{k} {\hat{x}}_{k | k - 1}$ $\tilde{\textbf{y}}_k = \textbf{z}_k - \textbf{H}_k\hat{\textbf{x}}_{k|k-1}$ $S_{k} = H_{k} P_{k | k - 1} H_{k}^{T} + R_{k}$ $\textbf{S}_k = \textbf{H}_k \textbf{P}_{k|k-1} \textbf{H}_k^\text{T} + \textbf{R}_k$ $K_{k} = P_{k | k - 1} H_{k}^{T} S_{k}^{- 1}$ $\textbf{K}_k = \textbf{P}_{k|k-1}\textbf{H}_k^\text{T}\textbf{S}_k^{-1}$ Actualizado (a posteriori) Estado estimación Actualización (a posteriori) de covarianza estimada ${\hat{x}}_{k | k} = {\hat{x}}_{k | k - 1} + K_{k} {\tilde{y}}_{k}$ $\hat{\textbf{x}}_{k|k} = \hat{\textbf{x}}_{k|k-1} + \textbf{K}_k\tilde{\textbf{y}}_k$ $P_{k | k} = (I - K_{k} H_{k}) P_{k | k - 1}$ $\textbf{P}_{k|k} = (I - \textbf{K}_k \textbf{H}_k) \textbf{P}_{k|k-1}$

$K_k$ $\tilde{\textbf{y}}_k$ $\hat{\textbf{x}}_{k|k-1}$

$K_k$

$\textbf{P}_{k|k-1}$
$\textbf{H}_k$
$\textbf{S}_k$

¡Gracias y saludos!

kalman-filters

— Tim
fuente

Esta es una pregunta difícil de responder correctamente. Lo intenté, pero no convencido con mi propia respuesta. Básicamente, la ganancia controla cuánto confía en las mediciones sobre la estimación, pero no puedo explicar cómo se conforma esta ganancia.

— Jav_Rock

18

$K$ $K$

$\displaystyle \quad\ \bf{K_k} = \bf{P_k^-\, H_k^{\rm T} (H_k P_k^-\, H_k^{\rm T} + R_k)^{-1}} = \bf{\frac {P_k^-\, H_k^{\rm T}}{H_k P_k^-\, H_k^{\rm T} + R_k}}$

$R_k$ $P_k$ $x_{k}⁻$ $ỹ_k$

$\displaystyle \quad\ \lim\limits_{\bf{R_k \to 0}} \bf{{P_k^-\, H_k^{\rm T}} \over\ {H_k P_k^-\, H_k^{\rm T} + R_k}}\ = \bf{H_k^{-1}}$

$\displaystyle \quad\ \lim\limits_{\bf{P_k \to 0}} \bf{{P_k^-\, H_k^{\rm T}} \over\ {H_k P_k^-\, H_k^{\rm T} + R_k}}\ = \bf 0$

Sustituyendo el primer límite en la ecuación de actualización de medición

$\displaystyle \quad\ \bf{\hat x_k} = \bf{x_k^-} + \bf{K_k}(\bf{\tilde y_k}-\bf{H_k}\bf{x_k^-})$

$R$

$H P^⁻ H^T$ $R$ $x_k⁻$

— Jav_Rock
fuente

2

K_{k}

$K_k$

H_{k}

$H_k$

12

La ganancia de Kalman te dice cuánto quiero cambiar mi estimación mediante una medición.

${\bf S}_k$ ${\bf z}_k$ ${\bf S}_k$

${\bf P}_k$ ${\bf x}_k$ ${\bf P}_k$

${\bf P}_k$ ${\bf P}_k \rightarrow 0$ $K\rightarrow 0$

— ssk08
fuente

2

$\bf{K_k}$

$\displaystyle \quad\ \bf{K_k} = \bf{P_k^-\, H_k^{\rm T} (H_k P_k^-\, H_k^{\rm T} + R_k)^{-1}} = \bf{H_k^-\frac {H_kP_k^-\, H_k^{\rm T}}{H_k P_k^-\, H_k^{\rm T} + R_k}}$

$\bf{R_k}$

$\bf{H_k^-}$

$\bf{K_k}$

$\displaystyle \quad\ \bf{\hat x_k} = \bf{x_k^-} + \bf{K_k}(\bf{\tilde y_k}-\bf{H_k}\bf{x_k^-})$

— Zichao Zhang
fuente

-1

Estoy trabajando en el algoritmo Kalman Filter (KF). Observé que la ganancia de Kalman se ocupa de la convergencia del algoritmo con el tiempo, es decir, qué tan rápido el algoritmo corrige y minimiza el residual.

Al llegar a la ecuación, elija un valor de ganancia de kalman inicial y varíelo de menor a mayor, que puede proporcionarle uno aproximado.

— Harsha
fuente