为什么我们需要估计卡尔曼滤波器的真实位置？ [英] Why do we need to estimate the true position in Kalman filters?

问题描述

我正在关注一个关于卡尔曼滤波的着名教程 。

从这些代码行：

  figure; 
 plot（t，pos，t，posmeas，t，poshat）; 
网格; 
 xlabel（'Time（sec）'）; 
 ylabel（'Position（feet）'）; 
 title（'Figure 1  -  Vehicle Position（True，Measured，and Estimated）'）
  

我知道 x 是真实的位置， y 是测量位置， xhat 是估计的位置。那么，如果我们可以计算 x （这段代码： x = a * x + b * u + ProcessNoise; ） ，为什么我们需要估计 x 了？


解决方案

。



好了，再看看引用的文章，我想我看到了混乱。显然，文章中的程序是对线性系统的模拟（因此，它在模拟系统中重复产生新的 x 作为新的状态）。然后，它还模拟一个噪声的测量结果，并从这个（模拟的）噪声测量中演示，然后在噪声数据上使用卡尔曼滤波器来试图估计实际的（模拟的）因此，您所要求的确切的 x 计算只是模拟的一部分， > 部分卡尔曼滤波器本身或卡尔曼滤波器算法可用的数据

I am following a probably well-known tutorial about Kalman filter.

From these lines of code:

figure;
plot(t,pos, t,posmeas, t,poshat);
grid;
xlabel('Time (sec)');
ylabel('Position (feet)');
title('Figure 1 - Vehicle Position (True, Measured, and Estimated)')

I understand that x is the true position, y is measured position, xhat is estimated position. Then, if we can compute x (this code: x = a * x + b * u + ProcessNoise;), why do we need to estimated x anymore?

解决方案

...

OK, after a second look at the referenced article, I think I see the confusion. Apparently, the program in the article is a simulation of a linear system (and thus, it repeatedly generates new x's as new states in the simulated system). Then it also simulates a "noisy" measurement of x, and from that (simulated) noisy measurement, then demonstrates using a Kalman Filter on the noisy data to try to estimate the actual (simulated) x's.

So, the exact x calculations that you ask about are just part of the Simulation, and not part of the Kalman Filter itself or the data that is available to the Kalman Filter algorithm.

这篇关于为什么我们需要估计卡尔曼滤波器的真实位置？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！