估计。这种递归推算是卡尔曼滤波器最吸引人的特性之一——它比其它滤波器更容易实现:例如维纳滤波器[Brown92],每次估计必须直接计算全部数据,而卡尔曼滤波器每次只根据以前的测量变量递归计算当前的状态估计。图1-2将表1-1和表1-2结合显示了滤波器的整个操作流程。滤波器系数及调整滤波器实际实现时,测量噪声协方差R一般可以观测得到,是滤波器的已知条件。观测测量噪声协方差R一般是可实现的(可能的),毕竟我们要观测整个系统过程。因此通常我们离线获取一些系统观测值以计算测量噪声协方差。通常更难确定过程激励噪声协方差的Q值,因为我们无法直接观测到过程信号。有时可以通过Q的选择给过程信号“注入”足够的不确定性来建立一个简单的(差的)过程模型而产生可以接受的结果。当然在这种情况下人们希望信号观测值是可信的。在这两种情况下,不管我们是否有一个合理的标准来选择系数,我们通常(统计学上的)都可以通过调整滤波器系数来获得更好的性能。调整通常离线进行,并经常与另一个(确定无误的)在线滤波器对比,这个过程称为系统识别。在讨论的结尾,我们指出在Q和R都是常数的条件下,过程估计误差协方差R和卡尔曼增益都会快速收敛并保持为常量(参照图1-2中的更新方程)。若实际情况也如此,那么滤波器系数便可以通过预先离线运行滤波器计算,或者,比如说,用[Grewal93]中的方法计算的稳定值。实际中,观测误差R尤其不易保持不变。例如,用我们的光电跟踪仪观察挂在房间顶棚面板上的信号灯时,较近的信号灯会比较远的信号灯具有较小的观测噪声。不仅是观测噪声会变化,有时过程激励噪声协方差Q也会随着滤波器运行而动态变化――这样Q变成了——来适应不同的动态状态。例如,在跟踪三维虚拟环境中用户头部位置时,如果用户头部缓慢移动,我们会减小的幅度,如果移动开始快速变化,则增加幅度。在这些情况下,的幅度要根据用户的意图和模型的不确定性来选择。
全文预览
