扩展卡尔曼滤波EKF与多传感器融合
Posted Young_Gy
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了扩展卡尔曼滤波EKF与多传感器融合相关的知识,希望对你有一定的参考价值。
Extended Kalman Filter(扩展卡尔曼滤波)是卡尔曼滤波的非线性版本。在状态转移方程确定的情况下,EKF已经成为了非线性系统状态估计的事实标准。本文将简要介绍EKF,并介绍其在无人驾驶多传感器融合上的应用。
KF与EKF
本文假定读者已熟悉KF,若不熟悉请参考卡尔曼滤波简介。
KF与EKF的区别如下:
- 预测未来:
x′=Fx+u
用
x′=f(x,u)
代替;其余
F
用
Fj 代替。 - 修正当下:将状态映射到测量的
Hx′
用
h(x′)
代替;其余
H
用
Hj 代替。
其中,非线性函数 f(x,u),h(x′) 用非线性得到了更精准的状态预测值、映射后的测量值;线性变换 Fj,Hj 通过线性变换使得变换后的 x,z 仍满足高斯分布的假设。
Fj,Hj 计算方式如下:
Fjb=∂f(x,u)∂x=∂h(x′)∂x
为什么要用EKF
KF的假设之一就是高斯分布的
x
预测后仍服从高斯分布,高斯分布的
将非线性系统线性化
既然非线性系统不行,那么很自然的解决思路就是将非线性系统线性化。
对于一维系统,采用泰勒一阶展开即可得到:
f(x)≈f(μ)+∂f(μ)∂x(x−μ)
对于多维系统,仍旧采用泰勒一阶展开即可得到:
T(x)≈f(a)+(x−a)TDf(a)
其中, Df(a) 是Jacobian矩阵。
多传感器融合
lidar与radar
本文将以汽车跟踪为例,目标是知道汽车时刻的状态 x=(px,py,vx,vy) 。已知的传感器有lidar、radar。
- lidar:笛卡尔坐标系。可检测到位置,没有速度信息。其测量值 z=(px,py) 。
- radar:极坐标系。可检测到距离,角度,速度信息,但是精度较低。其测量值 z=(ρ,ϕ,ρ˙) ,图示如下。
传感器融合步骤
步骤图如上所示,包括:
- 收到第一个测量值,对状态 x 进行初始化。
- 预测未来
- 修正当下
初始化
初始化,指在收到第一个测量值后,对状态
对于radar来说,
⎡⎣⎢⎢⎢⎢pxpyvxv无损卡尔曼滤波UKF与多传感器融合