深入研究Kalman濾波器，這是有史以來最廣泛且最有用的算法之一。

與我的朋友交談時，我經常聽到："哦，卡爾曼過濾器……我通常學習它們，理解它們，然后我忘記了一切"。 好吧，考慮到卡爾曼濾波器（KF）是世界上應用最廣泛的算法之一（如果環顧四周，您80％的技術可能已經在內部運行某種KF），讓我們嘗試將其弄清楚 一勞永逸。

在這篇文章的結尾，您將對KF的工作原理，其背后的想法，為什么需要多個變體以及最常見的變體有一個直觀而詳細的了解。

狀態估計

KF是所謂的狀態估計算法的一部分。 什么是狀態估計？ 假設您有一個系統（讓我們將其視為黑匣子）。 黑匣子可以是任何東西：您的風扇，化學系統，移動機器人。 對于這些系統中的每一個，我們都可以定義一個狀態。 狀態是變量的向量，我們很想知道它們，它們可以描述系統在特定時間點的"狀態"（這就是為什么將其稱為狀態）。 "可以描述"是什么意思？ 這意味著，如果您知道在時間k處的狀態向量和提供給系統的輸入，則可以（同時使用系統工作原理的一些知識）知道在時間k + 1處的系統狀態。

例如，假設我們有一個移動的機器人，并且我們關心知道它在空間中的位置（而不關心它的方向）。 如果我們將狀態定義為機器人的位置（x，y）及其速度（v_x，v_y），并且我們有一個關于機器人如何運動的模型，那么就足以確定機器人的位置和位置。 下一次瞬間。

因此，狀態估計算法估計系統的狀態。 為什么要估算呢？ 因為在現實生活中，外部觀察者永遠無法訪問系統的真實狀態。 通常有兩種情況：您可以測量狀態，但是測量結果會受到噪聲的影響（每個傳感器只能產生一定精度的讀數，可能對您來說還不夠），或者您無法直接測量狀態。 一個示例可能是使用GPS計算上述移動機器人的位置（我們將位置確定為狀態的一部分），這可能會給您帶來多達10米的測量誤差，對于您可能想到的任何應用程序來說，這可能都不足夠 。

通常，在進行狀態估計時，您可以放心地假設您知道系統的輸入（因為是您提供的）和輸出。 由于測量了輸出，因此它也會受到一定的測量噪聲的影響。 據此，我們將狀態估計器定義為一個系統，該系統接收要估計其狀態的系統的輸入和輸出，并輸出系統狀態的估計值。傳統上，狀態用x表示，輸出用 y或z，u是輸入，而tilde_x是估計狀態。

System and State Estimator block diagram.

卡爾曼濾波器

您可能已經注意到，我們已經討論了一些有關錯誤的內容：

· 您可以測量系統的輸出，但是傳感器會給出測量誤差

· 您可以估計狀態，但是作為狀態估計它具有一定的置信度。

除此之外，我說過，您需要某種系統知識，您需要了解系統"行為"的模型（稍后會詳細介紹），您的模型當然并不完美，因此您將擁有 另一個錯誤。

在KF中，您可以使用高斯分布來處理所有這些不確定性。 高斯分布是表示您不確定的事物的一種好方法。 您當前的信念可以用分布的均值表示，而標準差可以說明您對信念的信心。

在KF中：

· 您的估計狀態將是具有一定均值和協方差的高斯隨機變量（它將告訴我們該算法"信任"當前估計的程度）

· 您對原始系統的輸出測量的不確定性將用均值為0和一定協方差的隨機變量表示（這將告訴我們我們對測量本身的信任程度）

· 系統模型的不確定性將由均值為0和一定協方差的隨機變量表示（這將告訴我們我們對所使用模型的信任程度）。

讓我們舉一些例子來了解其背后的想法。

· 不良的模型，好的傳感器讓我們再次假設您想跟蹤機器人的位置，并且您在傳感器上花費了很多錢，它們為您提供厘米級的精度。 另一方面，您根本不喜歡機器人技術，您在Google上搜索了一下，然后發現了一個非常基本的運動模型：隨機游動（基本上是一個僅由噪聲給出運動的粒子）。 很明顯，您的模型不是很好，不能真正被信任，而您的測量結果卻很好。 在這種情況下，您可能將使用非常窄的高斯分布（小方差）來建模測量噪聲，而使用非常寬的高斯分布（大方差）來建模不確定性。

· 傳感器質量差，模型好如果傳感器質量不佳（例如GPS），但您花費大量時間對系統進行建模，則情況恰好相反。 在這種情況下，您可能將使用非常窄的高斯分布（小方差）來建模模型不確定性，而使用非常寬的高斯分布（大方差）來建模噪聲。

Wide variance vs. small variance Gaussian distributions.

估計狀態不確定性如何？KF將根據估計過程中發生的事情進行更新，您唯一要做的就是將其初始化為足夠好的值。 "足夠好"取決于您的應用程序，您的傳感器，您的模型等。通常，KF需要一點時間才能收斂到正確的估計值。

KF如何運作？

如前所述，要讓KF正常工作，您需要對系統有"一定的了解"（"不確定"，即不完美的模型）。 特別是對于KF，您需要兩個模型：

· 狀態轉換模型：某些函數，在時間k給出狀態和輸入，可以在時間k + 1給出狀態。

· 測量模型：給定時間為k的某個函數，可以為您提供同一時間的測量結果

稍后，我們將了解為什么需要這些功能，讓我們首先看一些示例以了解它們的含義。

狀態轉換模型，此模型告訴您系統如何隨時間演變（如果您還記得的話，我們之前曾談到狀態如何具有足夠的描述性以及時推斷系統行為）。這在很大程度上取決于系統本身以及您對系統的關心。如果您不知道如何對系統建模，則可以使用一些Google搜索來提供幫助。對于運動的物體（如果以適當的采樣率測量），可以使用恒速模型（假定物體以恒定的速度運動），對于車輛，可以使用單輪腳踏車模型，等等……讓我們假設一種或另一種，我們建立了一個模型。我們在這里做出一個重要的假設，這對于KF的工作是必要的：您的當前狀態僅取決于先例。換句話說，系統狀態的"歷史"濃縮為先前的狀態，也就是說，給定先前的狀態，每個狀態都獨立于過去。這也稱為馬爾可夫假設。如果這不成立，就不能僅憑先例來表達當前狀態。

度量模型度量模型告訴您如何將輸出（可以度量）和狀態聯系在一起。 直觀上，您需要這樣做，因為您知道測量的輸出，并且想要在估計期間從中推斷出狀態。 同樣，此模型因情況而異。 例如，在移動機器人示例中，如果您關心位置并且擁有GPS，則您的模型就是身份功能，因為您已經在測量狀態的嘈雜版本。

每個步驟的數學公式和解釋如下：

那么，KF實際如何運作？ 該算法分兩個步驟工作，稱為預測和更新。 假設我們在時間k處，并且那時我們有估計狀態。 首先，我們使用狀態轉換模型，并使估計狀態演化到下一個時刻（1）。 這相當于說：鑒于我當前對狀態的信念，我所擁有的輸入以及對系統的了解，我希望我的下一個狀態是這樣。 這是預測步驟。

現在，由于我們還具有輸出和測量模型，因此我們實際上可以使用實際測量"校正"預測。 在更新步驟中，我們采用預期狀態，我們計算輸出（使用測量模型）（2），然后將其與實際測量的輸出進行比較。 然后，我們以"智能方式"使用兩者之間的差異來校正狀態的估計（3）。

通常，我們用頂點-表示校正前來自預測步驟的狀態估計。 K稱為卡爾曼增益。 那才是真正的聰明之處：K取決于我們對測量的信任程度，我們對當前估計的信任程度（這取決于我們對模型的信任程度），并根據此信息K"決定"了預測的估計量 用測量值校正。 如果我們的測量噪聲"小"，而不是我們相信來自預測步驟的估計，那么我們將使用該測量對估計進行很多校正，如果相反，那么我們將對其進行最小限度的校正。

注意：為簡單起見，我寫方程式時就好像在處理普通變量一樣，但是您必須考慮到在每一步中我們都在處理隨機的高斯變量，因此我們還需要通過函數傳播 變量的協方差，而不僅僅是均值。d

Example of real position and estimation at each step of the KF algorithm.

肯德基家族

根據所使用的模型類型（狀態轉換和測量），可以將KF分為兩個大類：如果模型是線性的，則具有線性卡爾曼濾波器，而如果它們是非線性的，則具有非線性卡爾曼濾波器。

為什么要區分？ 好吧，KF假設您的變量是高斯變量，當通過線性函數傳遞時，高斯變量仍然是高斯變量，如果通過非線性函數傳遞，則不正確。 這打破了卡爾曼假設，因此我們需要找到解決方法。

從歷史上看，人們發現了兩種主要方法：用模型作弊和用數據作弊。如果您對模型作弊，則基本上可以使當前估計值周圍的非線性函數線性化，從而使您回到可以工作的線性情況。這種方法稱為擴展卡爾曼濾波器（EKF）。該方法的主要缺點是您必須能夠計算f（）和h（）的雅可比行列式。另外，如果您使用數據作弊，則可以使用非線性函數，但隨后嘗試對非高斯分布進行"高斯化"（如果該詞甚至存在）。這是通過稱為"無味轉換"的智能采樣技術完成的。通過此變換，您可以（均值）和均方差來描述一個分布（在前兩個時刻僅完全描述了高斯分布）。這種方法稱為無味卡爾曼濾波器（UKF）。從理論上講，UKF優于EKF，因為與模型線性化相比，Unscented Transform對結果分布的近似更好。在實踐中，必須具有相當大的非線性才能實際看到較大的差異。

肯尼迪行動

由于我談到了很多有關帶GPS的移動機器人的內容，因此我就此情況作了簡短的演示（如果要使用它，可以在這里找到代碼）。 使用獨輪車模型生成機器人運動。 用于KF的狀態轉換模型是等速模型，其狀態包含x和y位置，轉向角及其導數。

機器人會及時移動（實際位置顯示為黑色），在每一步中，您都會得到非常嘈雜的GPS測量值，該測量值給出x和y（紅色）并估算位置（藍色）。 您可以使用不同的參數，看看它們如何影響狀態估計。 如您所見，我們可以進行非常嘈雜的測量，并對實際位置進行很好的估算。

KF in action: a robot real path (black) is tracked with a KF (blue) from noisy measurements (red).

獎勵：卡爾曼增益的直觀含義

讓我們看一下線性OF情況下卡爾曼增益的公式，并嘗試更深入地了解增益的工作原理。

其中P_k是當前估計狀態的協方差（我們對估計的信心程度），C是測量模型的線性變換，使得y（k）= Cx（k），R是測量噪聲的協方差矩陣 。 請注意，分數表示法并不是真正正確的，但是可以使發生的事情更容易可視化。

根據等式，如果R變為0，則我們有：

代之以定義的算法步驟（3），可以看到我們將完全忽略預測步驟的結果，并且使用測量模型的逆變換來獲得僅來自測量的狀態估計。

相反，如果我們非常信任模型/估計，則P_k將趨于0，從而得出：

因此，我們得到的最終估計與預測步長輸出相同。

請注意，我正在交替使用"信任模型"和"信任當前估計"。 它們并不相同，但它們是相關的，因為我們對預測步驟的估計的信任程度是我們對模型的信任程度（因為僅使用模型完成預測步驟）加上我們對模型的信任程度的組合。 估計上一步過濾。

獎勵2：庫

有很多不錯的庫可以在線計算KF，這是我的一些最愛。

作為GO愛好者，我將從這個非常不錯的GO庫開始，其中包含幾個預先實現的模型：rosshemsley/kalman

對于Python，您可以查看 pykalman.github.io

結論：我們深入研究了什么是狀態估計，卡爾曼濾波器的工作原理，其背后的直覺，如何使用它們以及何時使用。 我們介紹了一個玩具（但現實生活中）的問題，并介紹了如何使用卡爾曼濾波器解決該問題。 然后，我們更深入地研究了Kalman濾波器在幕后的實際作用。