Фільтр Кальмана - розуміння матриці коваріації шуму


11

Яке значення матриць коваріації шуму в рамках фільтра Кальмана?

Я маю на увазі:

  • матриця коваріації шуму процесу Q і
  • матриця коваріації шуму вимірювання R

у будь-який час крок t.

Як інтерпретувати ці матриці? Що вони представляють? Чи говорять вони про те, як змінюється шум одного спостереження щодо шуму іншого спостереження у векторі стану?


Відмінне інтуїтивне пояснення! У мене також є два питання 1. По-перше, що означає коваріація, скажімо, 1,3 елемента матриці прискорення коваріації? 2. По-друге, як можна настроїти матрицю коефіцієнта спостереження за першим кроком алгоритму? Якщо для цього потрібні великі обчислювальні зусилля або математика, то які хороші типові значення при спробі спостерігати за вібросистемою, що вібрує багато ступеня? Дуже дякую.
george p

@georgep НІКОЛИ не публікуйте наступні питання як відповідь. Будь-ласка, задайте нове запитання, але, можливо, посилайтеся на це питання, коли це робити.
Петро К.

Відповіді:


16

Грубо кажучи, це кількість шуму у вашій системі. Шум у процесі - це шум у процесі - якщо система є рухомим автомобілем на міждержавному режимі круїз-контролю, будуть незначні коливання швидкості через удари, пагорби, вітри тощо. Q говорить, скільки дисперсії та коваріації є. Діагональ Q містить дисперсію кожної змінної стану, а діагональ, яка виключається, містить коваріації між різними змінними стану (наприклад, швидкість у x проти положення у y).

R містить дисперсію вашого вимірювання. У наведеному вище прикладі наше вимірювання може бути просто швидкістю руху спідометра. Припустимо, що його читання має стандартне відхилення 0,2 миль / год. Тоді R = [0,2 ^ 2] = [0,04]. Квадрат, тому що дисперсія - це квадрат стандартного відхилення.

Q - у просторі стану , а R - у просторі вимірювання. У наведеному вище прикладі наша держава може бути лише позицією[х,у]Т, а простір вимірювання - швидкість [v]. Це проблематично, оскільки це не швидкість з точки зору х і у - вам потрібна заголовок для перетворення. Для цього перетворення використовується матриця фільтра Калмана H, і в нелінійних системах вам доведеться певним чином лінеаризувати це.

Безсоромний штекер: моя безкоштовна книга про фільтр Кальмана детально описується тут: https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python


4
Книга виглядає чудово!
Royi

Якщо ваші змінні вимірювання - це ваші змінні стану, чи означає це [Q] = [R]?
Джастін Борромео

Дякуємо, що відкрили око
jomegaA
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.