自动驾驶 9-2: 卡尔曼滤波器和偏置BLUEs Kalman Filter and The Bias BLUEs

Posted AI架构师易筋

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了自动驾驶 9-2: 卡尔曼滤波器和偏置BLUEs Kalman Filter and The Bias BLUEs相关的知识,希望对你有一定的参考价值。










现在,我们介​​绍了卡尔曼滤波器, 让我们稍微讨论一下是什么使它成为如此吸引人的估算方法。 到本课结束时, 您将能够定义一些在状态估计中很重要的术语。 一是观念偏差。 第二,一致性。 最后,您将使用这些定义来说明为什么卡尔曼滤波器是最好的 线性无偏估计器,或 BLUE。 让我们潜入。

首先,让我们讨论偏见。 让我们考虑上一课中的卡尔曼滤波器 用它来估计我们的自动驾驶汽车的位置。 例如,如果我们有办法知道车辆的真实位置, 神谕告诉我们, 然后我们可以使用它来记录我们过滤器在每个时间步 k 的位置误差。 由于我们正在处理随机噪声,因此只做一次是不够的。 我们需要一遍又一遍地重复同样的过程 在每个时间步记录我们的位置误差。 一旦我们收集了这些错误,如果它们在特定时间步平均为零 k,那么我们说卡尔曼滤波器估计在这个时间步是无偏的。 从图形上看,这就是情况的样子。 说具体的时间步长,我们知道真实位置如下。

我们构建了我们的过滤器在多次试验中报告的位置的直方图, 然后计算这些估计的平均值和 真实的位置。 如果这种差异没有接近零,那么我们的估计就有偏差。

然而,如果当我们重复这个实验时这种差异确实接近零 很多次,如果这发生在所有时间间隔, 那么我们说我们的过滤器是无偏的。

尽管我们可以根据经验验证这种偏见的缺乏, 我们真正想要的是一些理论上的保证。 让我们考虑滤波器的误差动态。

定义我们预测和纠正的状态错误,然后我们可以使用通用过滤器 方程来写出以下关系。

对于卡尔曼滤波器, 我们可以证明这些误差的期望值恰好为零。

为此,我们需要确保我们的初始状态估计 是无偏的,我们的噪声是白色的,不相关的,零均值。 虽然这对于线性系统来说是一个很好的结果, 请记住,这并不能保证我们的估计不会出现错误 给定的试验,只有误差的期望值为零。

卡尔曼滤波器也称为一致性。 一致性是指对于所有时间步 k,过滤器 协变量 P sub k 与我们的误差平方的期望值相匹配。 对于标量参数,这意味着经验方差 我们的估计值应该与过滤器报告的方差相匹配。

实际上,这意味着我们的过滤器既不会过度自信,也不会 对它产生的估计缺乏信心。

过度自信的过滤器,因此不一致, 将报告一个乐观的协方差。 也就是说,过滤器本质上会过分强调自己的估计和 对未来的测量更新不那么敏感, 这可能会提供关键信息。

很容易看出过度自信的过滤器可能会产生负面或 对自动驾驶汽车性能的危险影响。 正式展示一致性属性超出了本课程的范围。 您可以相信我的话,对于普通过滤器来说确实如此。

只要我们的初始估计是一致的,并且 我们有白零平均噪声,那么所有的估计都是一致的。 把所有东西放在一起,我们已经证明给定的白色 不相关的零均值噪声,卡尔曼滤波器是无偏和一致的。

因为这两个事实, 我们说卡尔曼滤波器是 BLUE,最好的线性无偏估计器。 它产生具有最小可能方差的无偏估计。

总而言之,在本课中,我们定义了术语偏差和 一致性,并表明卡尔曼滤波器是无偏的, 一致,以及最佳线性无偏估计器,或 BLUE。 请记住,这里最好指的是卡尔曼滤波器最小化 状态方差。 尽管这是一个了不起的结果,但大多数真实系统都不是线性的。 对于自动驾驶汽车,我们通常需要估计非线性 2D 和 3D 中的车辆姿态、位置和方向等量。 去做这个, 我们需要将线性卡尔曼滤波器扩展到非线性域。 我们将在下一课中做到这一点。

第 2 课补充阅读:卡尔曼滤波器 - 偏差蓝色

补充阅读:卡尔曼滤波器 - 偏蓝
要了解有关卡尔曼滤波器的更多信息,请查看以下资源:

参考

https://www.coursera.org/learn/state-estimation-localization-self-driving-cars/lecture/oSdr9/lesson-2-kalman-filter-and-the-bias-blues

以上是关于自动驾驶 9-2: 卡尔曼滤波器和偏置BLUEs Kalman Filter and The Bias BLUEs的主要内容,如果未能解决你的问题,请参考以下文章

自动驾驶 9-6: EKF 的替代方案 - 无迹卡尔曼滤波器

自动驾驶 9-6: EKF 的替代方案 - 无迹卡尔曼滤波器

自动驾驶 9-1: (线性)卡尔曼滤波器The (Linear) Kalman Filter

自动驾驶 9-1: (线性)卡尔曼滤波器The (Linear) Kalman Filter

自动驾驶 9-3: 走向非线性 - 扩展卡尔曼滤波器 Going Nonlinear - The Extended Kalman Filter

自动驾驶 9-3: 走向非线性 - 扩展卡尔曼滤波器 Going Nonlinear - The Extended Kalman Filter