卡尔曼滤波器实现 - 可能有啥问题

Posted

技术标签:

【中文标题】卡尔曼滤波器实现 - 可能有啥问题【英文标题】:Kalman Filter implementation - what could be wrong卡尔曼滤波器实现 - 可能有什么问题 【发布时间】:2012-08-07 15:31:35 【问题描述】:

我很抱歉这么乏味,但我在十几篇文章的帮助下检查了我的代码几次,但我的 KF 仍然无法正常工作。 “不起作用”是指 KF 的估计是错误的。这是一个不错的 paste 真实、噪声和 KF 估计位置(只是一小块)。

我的示例与我找到的每个教程中的示例相同 - 我有一个位置和速度的状态向量。位置以米为单位,表示空气中的垂直位置。我的真实案例是跳伞(带降落伞)。在我的示例生成数据中,我假设我们从 3000m 开始,速度为 10m/s。

P.S.:我很确定矩阵计算没问题 - 逻辑一定有错误。

这里我生成数据:

void generateData(float** inData, float** noisedData, int x, int y)
    inData[0][0]= 3000; //start position
    inData[1][0]= -10; // 10m/s velocity; minus because we assume it's falling

    noisedData[0][0]= 2998; 
    noisedData[1][0]= -10;

    for(int i=1; i<x; i++)
        inData[0][i]= inData[0][i-1] + inData[1][i-1]; 
        inData[1][i]= inData[1][i-1]; //the velocity doesn't change for simplicity's sake

        noisedData[0][i]=inData[0][i]+(rand()%6-3); //we add noise to real measurement
        noisedData[1][i]=inData[1][i]; //velocity has no noise
      

这是我的实现(矩阵初始化基于Wikipedia Kalman example):

int main(int argc, char** argv) 
    srand(time(NULL));

    float** inData = createMatrix(100,2); //2 rows, 100 columns
    float** noisedData = createMatrix(100,2);
    float** estData = createMatrix(100,2);

    generateData(inData, noisedData, 100, 2);

    float sampleRate=0.1; //10hz

    float** A=createMatrix(2,2);
    A[0][0]=1;
    A[0][1]=sampleRate;
    A[1][0]=0;
    A[1][1]=1;

    float** B=createMatrix(1,2);
    B[0][0]=pow(sampleRate,2)/2;
    B[1][0]=sampleRate;

    float** C=createMatrix(2,1);
    C[0][0]=1; //we measure only position
    C[0][1]=0;


    float u=1.0; //acceleration magnitude
    float accel_noise=0.2; //acceleration noise
    float measure_noise=1.5; //1.5 m standard deviation
    float R=pow(measure_noise,2); //measure covariance
    float** Q=createMatrix(2,2); //process covariance
    Q[0][0]=pow(accel_noise,2)*(pow(sampleRate,4)/4);
    Q[0][1]=pow(accel_noise,2)*(pow(sampleRate,3)/2);
    Q[1][0]=pow(accel_noise,2)*(pow(sampleRate,3)/2);
    Q[1][1]=pow(accel_noise,2)*pow(sampleRate,2);

    float** P=createMatrix(2,2); //covariance update
    P[0][0]=0;
    P[0][1]=0; 
    P[1][0]=0; 
    P[1][1]=0;

    float** P_est=createMatrix(2,2);
    P_est[0][0]=P[0][0];
    P_est[0][1]=P[0][1];
    P_est[1][0]=P[1][0];
    P_est[1][1]=P[1][1];

    float** K=createMatrix(1,2); //Kalman gain

    float** X_est=createMatrix(1,2); //our estimated state
    X_est[0][0]=3000; X_est[1][0]=10; 

    // !! KALMAN ALGORITHM START !! //
    for(int i=0; i<100; i++)
            
        float** temp;
        float** temp2;
        float** temp3;

        float** C_trans=matrixTranspose(C,2,1);
        temp=matrixMultiply(P_est,C_trans,2,2,1,2); //2x1
        temp2=matrixMultiply(C,P_est,2,1,2,2); //1x2
        temp3=matrixMultiply(temp2,C_trans,2,1,1,2); //1x1
        temp3[0][0]+=R;
        K[0][0]=temp[0][0]/temp3[0][0]; // 1. KALMAN GAIN
        K[1][0]=temp[1][0]/temp3[0][0];

        temp=matrixMultiply(C,X_est,2,1,1,2);
        float diff=noisedData[0][i]-temp[0][0]; //diff between meas and est

        X_est[0][0]=X_est[0][0]+(K[0][0]*diff);  // 2. ESTIMATION CORRECTION
        X_est[1][0]=X_est[1][0]+(K[1][0]*diff);

        temp=createMatrix(2,2);
        temp[0][0]=1; temp[0][1]=0; temp[1][0]=0; temp[1][1]=1;
        temp2=matrixMultiply(K,C,1,2,2,1);
        temp3=matrixSub(temp,temp2,2,2,2,2);
        P=matrixMultiply(temp3,P_est,2,2,2,2);  // 3. COVARIANCE UPDATE



        temp=matrixMultiply(A,X_est,2,2,1,2);
        X_est[0][0]=temp[0][0]+B[0][0]*u; 
        X_est[1][0]=temp[1][0]+B[1][0]*u; // 4. PREDICT NEXT STATE


        temp=matrixMultiply(A,P,2,2,2,2);
        float** A_inv=getInverse(A,2);
        temp2=matrixMultiply(temp,A_inv,2,2,2,2);
        P_est=matrixAdd(temp2,Q,2,2,2,2); // 5. PREDICT NEXT COVARIANCE


        estData[0][i]=X_est[0][0]; //just saving here for later to write out
        estData[1][i]=X_est[1][0];
    

    for(int i=0; i<100; i++) printf("%4.2f  :  %4.2f  :  %4.2f \n", inData[0][i], noisedData[0][i], estData[0][i]); // just writing out

    return (EXIT_SUCCESS);

【问题讨论】:

我不会尝试回答这个问题,但假设-m/s 是否正确。我知道你在物体下落时得到了什么,但是连续的方程式是否意识到了这一点?保持正数并在需要的地方减去它会更好吗?好奇! 我试过了——还是一样! :) 【参考方案1】:

看起来您正在为该问题假设一个刚体模型。如果是这种情况,那么对于您正在解决的问题,当您进行流程更新以预测下一个状态时,我不会输入 u。也许我遗漏了一些东西,但输入 u 在生成数据中没有任何作用。

让我换一种说法,将 u 设置为 +1 看起来你的模型假设身体应该在 +x 方向上移动,因为在那个方向上有一个输入,但是测量告诉它去另一个方向大大地。因此,如果您对测量值施加很大的权重,它将向 -ve 方向移动,但如果您对模型施加很大的权重,则它应该向 +ve 方向移动。无论如何,根据生成的数据,我看不出将 u 设置为零的原因。

另一件事,你的采样率为 0.1 Hz,但是当你生成数据时,你假设它是一秒,因为每次采样,位置都会改变 -10 米每秒。

这是一个 matlab/octave 实现。

l    = 1000;
Ts   =  0.1;
y    =  3000; %measurement to be fed to KF
v    = -10; % METERS PER SECOND
t    = [y(1);v]; % truth for checking if its working

for i=2:l
    y(i)   = y(i-1) + (v)*Ts;
    t(:,i) = [y(i);v];          % copy to truth vector
    y(i)   = y(i) + randn;     % noise it up
end


%%%%% Let the filtering begin!

% Define dynamics
A = [1, Ts; 0, 1];
B = [0;0];
C = [1,0];

% Steady State Kalman Gain computed for R = 0.1, Q = [0,0;0,0.1]
K = [0.44166;0.79889];

x_est_post = [3000;0];

for i=2:l
    x_est_pre = A*x_est_post(:,i-1); % Process update! That is our estimate in case no measurement comes in.

    %%% OMG A MEASUREMENT! 
    x_est_post(:,i) = x_est_pre + K*(-x_est_pre(1)+y(i));
end

【讨论】:

【参考方案2】:

你做了很多奇怪的数组索引。

float** A=createMatrix(2,2);
A[0][0]=1;
A[0][3]=sampleRate;
A[1][0]=0;
A[1][4]=1;

在数组边界之外进行索引的预期结果是什么?

【讨论】:

我不知道这些数字是从哪里来的。在我的代码中,一切都很好。我这里也修好了。

以上是关于卡尔曼滤波器实现 - 可能有啥问题的主要内容,如果未能解决你的问题,请参考以下文章

卡尔曼滤波器的实现以过滤加速度并找到速度和位置

如果卡尔曼滤波器无法计算出稳定的卡尔曼增益,可能的原因是啥?

特征工程:利用卡尔曼滤波器处理时间序列(快速入门+python实现)

如何处理卡尔曼滤波器中的异步数据

卡尔曼滤波器 3D 实现

卡尔曼滤波器中的 dt