带加速度的卡尔曼滤波器。状态或控制向量?

Posted

技术标签:

【中文标题】带加速度的卡尔曼滤波器。状态或控制向量?【英文标题】:Kalman filter with acceleration. State or Control vector? 【发布时间】:2019-09-24 07:01:14 【问题描述】:

我有一个关于卡尔曼滤波器的基本理解问题,我还没有找到答案。

假设我想实现一个具有恒定加速度动态的卡尔曼滤波器。

我可以将加速度添加到状态向量和 F 矩阵 - Xt = X(t-1) +Vt+0.5at^2

或者,我可以将加速度添加到 U 控制向量。

这两种方法之间有什么明显区别,鉴于我有加速度测量,最好的策略是什么?

你可以在 google 中找到这两种方法。

一切顺利,

投资回报率

【问题讨论】:

【参考方案1】:

U 指的是标准控制理论状态空间表示中的系统输入(有关更多信息,请参阅here),因此您所做的工作取决于您的具体问题的上下文。

听起来您正在尝试估计以恒定加速度移动的目标的位置。这意味着目标的位置具有定义的运动模型。这种运动模型将用 F 编码。想象一个骑自行车的人在滚下山时看着车速表,根本不踩踏板(骑自行车的人没有输入到系统中)。如果加速度不是恒定的(山坡的坡度变化)并且您可以访问加速度的实时测量值,那么您也可以修改您的系统来估计加速度。如果加速度未知,请阅读 here 的以下 *** 帖子。

如果您在直接控制加速度的同时跟踪目标,那么您将把它放在 U 中。想象您是一个骑自行车的人,看着速度计(估计速度)并决定您应该更快还是更慢地踩踏板。

【讨论】:

以上是关于带加速度的卡尔曼滤波器。状态或控制向量?的主要内容,如果未能解决你的问题,请参考以下文章

如何处理卡尔曼滤波器中的异步数据

是否有可用的卡尔曼滤波器开源实现来校正加速度计数据?

python中用于速度估计的卡尔曼滤波器实现

如何在仅预测模式下运行 Matlab 的卡尔曼滤波器(DSP 工具箱)?

时间序列分析----结合ARMA的卡尔曼滤波算法

如何从卡尔曼滤波器估计部分状态的概率?