Kalman滤波及其在SLAM中应用

《Kalman滤波及其在SLAM中应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、Kalman滤波及其在SLAM中应用康丹OutlineKalman滤波简单实例扩展kalman滤波SLAM问题准备知识状态空间模型：在控制领域中，用输入向量、状态向量和输出向量描述系统的一种方法，叫状态空间模型。如下式表示时刻的状态向量，表示时刻的输入向量，表示时刻的输出向量，A表示状态矩阵，B为控制矩阵或者输入矩阵，C为观测矩阵，D为输入输出矩阵。Kalman滤波背景介绍：Kalman，匈牙利数学家。卡尔曼滤波器源于他的博士论文和1960年发表的论文《ANewApproachtoLinearFilteringandPredictionProblems》（线性滤波与预测问题的新方法）。ka

2、lman滤波引入一个离散控制系统的控制模型：定义系统的观测变量为z，得到测量方程为：其中，表示时刻的状态向量，表示时刻的输入向量，表示时刻的观测向量，分别为过程激励噪声和观测噪声，它们为相互独立、正态分布的白噪声，协方差分别是Q，R（这里假设它们不随系统状态变化而变化）kalman滤波kalman滤波第一步：用系统的过程模型来预测下一状态的系统。假设现在的系统状态是，可以预测下一时刻k+1出现的状态：更新状态的协方差矩阵：其中，为过程激励噪声协方差。kalman滤波结合观测值更新状态估计，得到k+1时刻状态为：其中，称为新息。为kalman增益，其计算公式为：式中，为观测噪声协方差。kal

3、man滤波为了令kalman不断迭代下去，需要更新K时刻状态的协方差：时间更新和测量更新不断重复迭代，就是kalman最吸引人的特性。简单实例考虑房间内温度对象过程:即过程的状态不随时间变化，没有控制输入；包含噪声的观测值是状态变量的直接体现。那么，kalman滤波的5个方程分别为：简单实例假设房间温度不变，k时刻为23度（估计值），该值的协方差假设为5度（上一时刻更新的协方差为3度，噪声为2度）。房间内有一温度计，其值显示25度，该值的偏差（噪声）为2度。则kalman增益为：K+1时刻的真实估计值为：该时刻更新协方差为（即为上边3度的计算式）扩展卡尔曼滤波可以看出，卡尔曼滤波估计是一个

4、线性随机系统的状态。然而实际中，很多系统是非线性的，处理这些系统时，用扩展卡尔曼滤波(EKF),它是将期望和方差线性化的卡尔曼滤波器。控制对象的状态空间表述为:扩展卡尔曼滤波扩展卡尔曼滤波的5个方程为：扩展卡尔曼滤波A是f对x的偏导的雅可比矩阵，即W是f对w的偏导的雅可比矩阵，即H是h对x的偏导的雅可比矩阵，即V是h对v的偏导的雅可比矩阵，即SLAM问题SLAM：Simultaneouslocalizationandmapping自主定位和地图创建。有时也称为CML（concurrentmappingandlocalization）问题陈述：自主移动机器人从未知环境中一个未知点开始运动，经

5、过一系列未知特征点，并得到这些点到机器人距离的一组测量数据。这组测量数据由机器人头部的测距传感器测得。SLAM处理的目标是根据这些测量数据得到环境的估计地图，并用这张地图实现机器人的定位。SLAM问题在SLAM中，机器人运动模型已知，即运动角速度和线速度，可以估计机器人的位置；机器人与特征点之间的测量值可以测出，即知道测量值。在SLAM中，根据EKF，用每一状态的测量值来更新机器人的运动位置，然后由机器人位置和测量值求出特征点的坐标。SLAM问题K时刻，机器人状态可表示为Xv(k)表示机器人的状态，Xlm（k）为路标的状态，它不随时间变化而变化,可以写成Xlm。观测值是描述机器人和特征点距

6、离的函数，则其中，为特征点i与机器人之间的距离，为机器人与特征点位置的夹角。SLAM问题EKF-SLAM算法：(1)初始化机器人的位置Xv(0)和协方差阵P(0)，可以令其都为0.(2)预测(3)观测值路标特征值的预测值的新息为新息的误差协方差矩阵为：SLAM问题(4)数据关联检验k+1时观测到的特征点与0,1,…k时观测到的特征点是否关联上，根据下式证明时刻观测到的一组特征点确实是观测到的，其中G为常数；否则，舍弃观测值。(5)更新SLAM问题(6)返回(2)递归执行(2)-(5).该算法在matlab上仿真执行结果为:SLAM问题目前问题：EKF-SLAM一致性和算法有效性:当环境特征

7、较多时，出现偏移现象，且计算时间太长。谢谢大家！