从 MATLAB 到 Python 的错误状态卡尔曼滤波器

Posted

技术标签:

【中文标题】从 MATLAB 到 Python 的错误状态卡尔曼滤波器【英文标题】:Error state Kalman Filter from MATLAB to Python 【发布时间】:2019-06-05 08:28:31 【问题描述】:

我正在尝试在 Python 中重现 here 中解释的算法,但我遇到了一些参数奇怪增长的问题。 以下是我的尝试。观察 get_ang()get_acc()degrees/s 返回沿 [x,y,z] 轴的角速度和加速度(但我将此数据转换为 radians/s) 和 m/s^2):

import numpy as np
import quaternion
from utils import get_ang, get_acc

#utils
Z=np.zeros([3,3])
I=np.eye(3)
EARTH_GRAVITY_MS2 = -9.80665

#sample parameters
N=1        #DecimationFactor
fs=10      #SampleRate

#noise parameters
beta=3.0462e-13      #GyroscopeDriftNoise
eta=9.1385e-5       #GyroscopeNoise
kappa=N/fs  #DecimationFactor/SampleRate
lamb=0.00019247      #AccelerometerNoise
nu=0.5        #LinearAccelerationDecayFactor
csi=0.0096236       #LinearAccelerationNoise

#other parameters initialization
lin_acc_prior=np.zeros(3)
gyro_offset=np.zeros([1,3])
Q=np.diag([0.000006092348396, 0.000006092348396, 0.000006092348396, 0.000076154354947,0.000076154354947, 0.000076154354947,0.009623610000000, 0.009623610000000, 0.009623610000000])
R=(lamb+csi+(kappa**2)*(beta+eta))*I
P=Q
q=quaternion.quaternion(1,0,0,0)                     


while(1):

    """----------------------------------------------------------Model----------------------------------------------------------"""

    """Predict orientation (q-)"""
    gyro_readings=np.array(np.radians([get_ang()])) #rad/s

    for i in range(N-1):
        gyro_readings=np.append(gyro_readings,np.radians([get_ang()]),axis=0)

    delta_phi=(gyro_readings-gyro_offset)/fs    #rad/s  
    delta_q=quaternion.from_rotation_vector(delta_phi)
    q=q*np.prod(delta_q)

    """Estimate gravity from orientation (g)"""
    r_prior=quat2rotm(q) 
    g=r_prior[:,2:3].transpose()*(-EARTH_GRAVITY_MS2)   #m/s^2

    """Estimate gravity from acceleration (g_acc)"""
    accel_readings=get_acc() #m/s^2
    g_acc=accel_readings-lin_acc_prior #m/s^2


    """----------------------------------------------------------Error Model----------------------------------------------------------"""

    "Error Model (z)"
    z=g-g_acc #m/s^2

    """----------------------------------------------------------Kalman Equations----------------------------------------------------------"""

    """Observation model (H)"""
    gx=g[0,0]
    gy=g[0,1]
    gz=g[0,2]
    g_cross=np.array([[0, gz, -gy],[-gz, 0, gx],[gy, -gx, 0]])
    H=np.block([g_cross, -kappa*g_cross, I])

    """Innovation covariance (S)""" 
    S=R+np.dot(H,np.dot(P,H.transpose()))

    """Kalman gain (K)"""
    K=np.dot(P,np.dot(H.transpose(),np.linalg.inv(S)))

    """Update error estimate covariance (P+)"""
    P=P-np.dot(K,np.dot(H,P))

    """Predict error estimate covariance (P-)"""
    D1=np.diag(np.diag(P[0:3,0:3]))   #first diagonal block P
    D2=np.diag(np.diag(P[3:6,3:6]))   #second diagonal block P
    D3=np.diag(np.diag(P[6:9,6:9]))   #third diagonal block P

    Q11=D1+kappa**2*D2+(beta+eta)*I
    Q12=(D2+beta*I)
    Q12[0,0]*=-kappa
    Q22=D2+beta*I
    Q33=nu**2*D3+csi*I

    Q=np.block([[Q11,Q12,Z],[Q12,Q22,Z],[Z,Z,Q33]])
    P=Q

    """Update posterior error (x)"""
    x=np.dot(K,z.transpose())

    """----------------------------------------------------------Correct----------------------------------------------------------"""

    """Estimate orientation (q+)"""
    theta=x[:3].transpose() #rad
    q=q*quaternion.from_rotation_vector(-theta)[0]




    """Estimate linear acceleration (lin_acc_prior)"""
    b=x[3:6].transpose() #rad/s
    lin_acc_prior = lin_acc_prior*nu-b

    """Estimate gyro offset (gyro_offset)"""
    a=x[6:].transpose()
    gyro_offset=gyro_offset-a

    """----------------------------------------------------------Compute Angular Velocity----------------------------------------------------------"""

    """Angular velocity (angular_velocity)"""
    angular_velocity=np.sum(gyro_readings,axis=0)/N-gyro_offset

由于我的 IMU 保持静止(get_ang 返回值在[0,0,0] 附近,get_acc 返回值在[0,0,-9.8] 附近)我观察到gyro_offset 的异常增长(可能是由于a 的值不小)导致在错误计算 delta_phidelta_qq 等错误估计 gz

我检查了很多次代码,但没有发现任何错误。我认为我可能会误解上面链接中的说明,可能会与测量单位(度、弧度、m/s^2、g)混淆,但即使尝试使用不同的组合,我也会得到类似的行为。

您能帮我找出我缺少的东西吗?

附:可以在每个步骤中重现我的设置:

gyro_readings=np.random.normal(0,1,[1,3])/50 
accel_readings=np.array([0,0,-9.8])+np.random.normal(0,1,[3])/50

【问题讨论】:

我检查了引用的PDF,发现与matlab页面上的描述有很多不匹配的地方。我要纠正所有这些东西,看看它是否有效。 非常感谢,希望您能帮到我:) 这个问题真的很有趣,我会尽量找足够的时间来解决这个问题。到目前为止,我在 matlab 中实现了整个代码,但我观察到的行为与您的相同。 【参考方案1】:

在您在卡尔曼方程下提供的链接中,S 的转置被反转以计算卡尔曼增益。 看起来你在反转它之前没有对 S 进行转置。在行中:

K=np.dot(P,np.dot(H.transpose(),np.linalg.inv(S)))

应该是

K=np.dot(P,np.dot(H.transpose(),np.linalg.inv(S.transpose())))

【讨论】:

谢谢你的回复,但是S是对称的,所以它的转置就是S本身。 我记得我的卡尔曼滤波器存在稳定性问题,有时由于浮点数错误导致 S 和 P 刹车的对称性,也许将这些与它们的转置相加并除以二可以解决您的问题。 再次感谢您,但我检查过,我的计算中没有任何对称性损失。因此,通过您的技巧,我也观察到了相同的行为。【参考方案2】:

我在您的代码中看到以下问题:

从方向矩阵计算g 时,您将它乘以地球重力。结果,您的观察错误和创新以m/s2 衡量。根据文档,过滤器需要units g 中的错误。所以我宁愿将g_acc除以地球重力。

在访问状态向量 x 时,您使用元素 4:6 进行线性加速度估计,但这些元素属于陀螺偏移。 7:9 元素也是如此,它应该用于加速,而不是用于陀螺偏移。

在生成测试信号时,您使用了一些正态分布参数来模拟噪声。我将使用与您在滤波器实现中使用的完全相同的噪声参数,否则这两个噪声级别不会相互对应,并且滤波器无法以最佳方式执行。

matlab 页面上给出的Q 的公式与文档中的原始公式不对应。比较方程 10.1.2310.1.24。它们分别涉及P元素[0,2:3,5][3,5:3,5]。在您的情况下,这意味着子矩阵 Q12 不正确。

不幸的是,我无法运行您的 python 代码来检查它是否更适合上述建议。但我的 matlab 代码显示了更好的性能。

您可以尝试一下并发布一些情节吗?

【讨论】:

我正在尝试实施您的建议。无论如何,我想谈谈你的最后一点:我认为文档中有错误。如您所见,在等式 10.1.23 中,左侧包含 Q_bb,即 P[3,5:3,5](请参见等式 10.1.19),但在右侧,它被 P[0,2 替换: 3,5] 如您所述。我认为这可能是转录错误。你能检查一下这一点吗? 我认为你是对的。可能它们的意思是Thetab 不相关,它们的协方差可以忽略不计。我想知道为什么文档和 matlab 描述有这么多不匹配...

以上是关于从 MATLAB 到 Python 的错误状态卡尔曼滤波器的主要内容,如果未能解决你的问题,请参考以下文章

Matlab:如何在卡尔曼滤波器状态估计后模拟模型

滤波估计基于matlab双卡尔曼滤波SOC和SOH联合估计含Matlab源码 2335期

卡尔曼滤波的原理以及Matlab和python代码实现

Matlab:帮助运行卡尔曼滤波器的工具箱

目标跟踪基于扩展卡尔曼滤波实现目标群跟踪matlab源码

目标跟踪基于扩展卡尔曼滤波实现目标群跟踪matlab源码