El algoritmo de filtro de Kalman funciona de la siguiente manera
Inicializar x 0 | 0 y P 0 | 0 .
En cada iteración
Predecir
Predicho (a priori) del estado estimación x k | k - 1 = F k x k - 1 | k - 1 + B k u k Estimación de covarianza estimada (a priori) P k | k - 1 = F k P k - 1 | k - 1 F T k + Q k Actualizar
Innovación o medición residual Covarianza de innovación (o residual) S k = H k P k | k - 1 H T k + R k Ganancia óptima de Kalman K k = P k | k - 1 H T k S - 1 k
Actualizado (a posteriori) Estado estimación x k | k = x k | k - 1 + K k ˜ y k Actualización (a posteriori) de covarianza estimada P k | k = ( I - K k H k ) P k | k - 1
¡Gracias y saludos!
kalman-filters
Tim
fuente
fuente
Respuestas:
Sustituyendo el primer límite en la ecuación de actualización de medición
fuente
La ganancia de Kalman te dice cuánto quiero cambiar mi estimación mediante una medición.
fuente
fuente
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.
fuente