扩展卡尔曼滤波(EKF)对非线性模型的近似原理,进而导出扩展卡尔曼滤波的一系列公式
时间: 2023-07-08 07:44:48 浏览: 39
扩展卡尔曼滤波(EKF)是卡尔曼滤波(KF)的一种扩展,用于处理非线性系统。EKF的基本思想是将非线性系统在当前状态下进行线性化,然后应用标准的卡尔曼滤波算法。具体而言,EKF通过在状态转移和观测方程中使用一阶泰勒展开式,将非线性系统转化为线性系统。这里给出EKF的一些公式:
1. 状态转移方程:
$\hat{x}_{k|k-1}=f(\hat{x}_{k-1|k-1},u_k)+w_{k-1}$
$F_k=\dfrac{\partial f}{\partial x}|_{\hat{x}_{k-1|k-1},u_k}$
$P_{k|k-1}=F_kP_{k-1|k-1}F_k^T+Q_k$
2. 观测方程:
$z_k=h(\hat{x}_{k|k-1})+v_k$
$H_k=\dfrac{\partial h}{\partial x}|_{\hat{x}_{k|k-1}}$
$S_k=H_kP_{k|k-1}H_k^T+R_k$
3. 卡尔曼增益:
$K_k=P_{k|k-1}H_k^TS_k^{-1}$
4. 更新状态估计:
$\hat{x}_{k|k}=\hat{x}_{k|k-1}+K_k(z_k-h(\hat{x}_{k|k-1}))$
5. 更新误差协方差:
$P_{k|k}=(I-K_kH_k)P_{k|k-1}$
其中,$f$和$h$分别表示非线性系统的状态转移和观测模型,$u_k$表示系统的控制输入,$w_{k-1}$和$v_k$分别表示过程噪声和观测噪声,$Q_k$和$R_k$分别表示过程噪声和观测噪声的协方差矩阵,$\hat{x}_{k|k-1}$表示$k-1$时刻的状态估计值,$\hat{x}_{k|k}$表示$k$时刻的状态估计值,$P_{k|k-1}$表示$k-1$时刻的状态估计误差协方差矩阵,$P_{k|k}$表示$k$时刻的状态估计误差协方差矩阵,$F_k$和$H_k$分别表示状态转移和观测方程在$\hat{x}_{k-1|k-1}$和$\hat{x}_{k|k-1}$处的雅可比矩阵,$S_k$表示观测噪声的协方差矩阵,$K_k$表示卡尔曼增益。