一文读懂卡尔曼滤波——卡尔曼滤波融合IMU的陀螺仪和加速度计实践(一)
卡尔曼的基本原理以及公式网上有很多,可以参照大神博客:
https://blog.csdn.net/m0_38089090/article/details/79523784?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162147991616780271580764%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162147991616780271580764&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-3-79523784.pc_search_result_hbase_insert&utm_term=%E5%8D%A1%E5%B0%94%E6%9B%BCC%2B%2B&spm=1018.2226.3001.4187
卡尔曼主要在传感器上应用较多,因为传感器的噪声误差是无法避免的,如果不进行滤波等处理,噪声带来的误差只会越来越剧烈,或者导致数据根本没法使用等情况。
为了更好的理解卡尔曼,我对大神的代码稍微整理了一下并加了注释,方便阅读,但是噪声我没有用高斯噪声,这里的代码主要是对位移做了跟踪。位移到设定只是一个简单的1/2a*a哈
#include <iostream>
#include<Eigen/Core>
#include<Eigen/Dense>
#include<string>
#include<vector>
#include <cmath>
#include <limits>//用于生成随机分布数列
#include <stdlib.h>
#include <random>
using namespace std;
using namespace Eigen;
using Eigen::MatrixXd;int main()
{const double dt=0.1;//采样时间const int MAX=500;//最大迭代次数double acc=0.2;//加速度 也是公式中的ukdouble theta_t;vector<MatrixXd> X_now;//实际位移矩阵存入这个容器中/*第一个公式中的变量矩阵/容器*/vector<MatrixXd> X_k;MatrixXd Xk=MatrixXd::Constant(2,1,0);X_k.push_back(Xk);vector<MatrixXd> X_k_1;MatrixXd Xk_1=MatrixXd::Constant(2,1,0);X_k_1.push_back(Xk_1);/*第二个公式中的变量矩阵/容器*/vector<MatrixXd> P_k;MatrixXd Pk=MatrixXd::Constant(2,2,0);P_k.push_back(Pk);vector<MatrixXd> P_k_1;MatrixXd Pk_1=MatrixXd::Constant(2,2,0);P_k_1.push_back(Pk_1);/*第三个公式中的变量矩阵/容器*/vector<MatrixXd> K_K;MatrixXd K=MatrixXd::Constant(2,2,0);K_K.push_back(K);/*第四个公式中的变量矩阵/容器*/vector<MatrixXd> Z_measure;MatrixXd Zk=MatrixXd::Constant(1,1,0);Z_measure.push_back(Zk);/*公式五里没有新的变量矩阵*///把系数确定好MatrixXd A(2,2);MatrixXd B(2,1);MatrixXd H(1,2);A(0,0)=1;A(0,1)=dt;A(1,0)=0;A(1,1)=1;B(0,0)=(dt*dt)/2;B(1,0)=dt;H(0,0)=1;H(0,1)=0;//把噪声以及固定值确定好MatrixXd Q(2,2);//过程激励噪声协方差,假设系统的噪声向量只存在速度分量上,且速度噪声的方差是一个常量0.01,位移分量上的系统噪声为0Q(0,0) = 0;Q(1,0) = 0;Q(0,1) = 0;Q(1,1) = 0.01;MatrixXd R(1,1);R<<10;MatrixXd I=MatrixXd::Identity(2,2);//确定变量矩阵MatrixXd X(2,1);//实际位移值double noise_random;//随即噪声//定义时间信息tehta_tvector<double> time(1000, 0);// int i;for(int i = 0; i < MAX; i++){time[i] = i * dt;// cout<<time[i]<<endl;theta_t =time[i];X(0,0)=1/2*acc*theta_t*theta_t ; //实际位移,以后会用来求测量值ZkX(1,0)=0;X_now.push_back(X);}/*开始进入迭代*/for(int i = 1; i < MAX; i++){/*第一个公式*/Xk=A*X_k_1[i-1]+B*acc;X_k.push_back(Xk);/*第二个公式*/Pk=A*P_k_1[i-1]*A.transpose()+Q;P_k.push_back(Pk);/*第三个公式*/MatrixXd tmp(1,1);tmp=H*P_k[i]*H.transpose()+R;K=P_k[i]*H.transpose()*tmp.inverse();K_K.push_back(K);/*第四个公式*/Zk=H*X_now[i];Z_measure.push_back(Zk);Xk_1=X_k[i]+K_K[i]*(Z_measure[i]-H*X_k[i]);X_k_1.push_back(Xk_1);/*第五个公式*/Pk=(I-K_K[i]*H)*P_k[i];P_k_1.push_back(Pk);}}
OK。现在我们有了一个卡尔曼滤波的代码模板了,我们知道,只要找到参考值,再依次用代码变现五个公式,再迭代,就能得到一个效果较好的预估值了。现在我拿IMU来进行练手卡尔曼滤波。主要融合陀螺仪和加速度计两个传感器。
那么,问题来了,什么是融合?
个人理解,融合就是,用A传感器比较准确的值去校准B传感器不太准确的值来达到互补的效果。这个A,也就是你觉得比较准确到值,就是卡尔曼滤波中所谓的测量值!!!!
我们知道IMU的加速度计有误差,如果盲目积分误差会累积的非常大,但是瞬时值是准确的。陀螺仪得到的角速度也是如此,如果想得到角度,直接用角速度积分的话,角度值只会越来越漂。
卡尔曼滤波,包括一些类似最小二乘法,高斯牛顿法等等一些优化算法,本质都是为了去除掉误差对实际工程的影响。使我们得到的值无限接近于真实值,个人理解,这就是卡尔曼以及其他一些优化算法最核心的功能,而卡尔曼就是另一种形式的优化。现在我们来好好瞻仰一下这5个公式
预测的第一个公式:
把具体的数学模型转换成矩阵的形式,我们先明确我们要求啥。在IMU中,我们要求的是一个具体的横滚角的值theta。注意这个theta如果按照角速度积分的形式进行求解只会越累计越大,这时候卡尔曼就会帮助我们解决累计误差过大的问题。
OK,继续,现在我们的求解矩阵中有了一个值theta了,要不要再加一个呢?这里,我又加了一个量——bias,也就是累计误差的罪魁祸首,惯导的偏差值。bias属于IMU误差模型中的一项,很随机,但是符合高斯分布。(这里我想说一下,个人觉得随机噪声可以近似等于高斯噪声,因为完全随机的模型即为高斯模型)。好了,现在我们有了两个值了,一个是待求解的量theta,一个是我们永远无法得知的偏差值bias。变成矩阵吧:
好了,现在我们矩阵的左端已经搞定了,现在整理一下theta和bias的公式然后得到一个完整的时序性的矩阵,我们知道,角度的估计值满足以下方程:
角度此刻估计值=上一时刻角度估计值+(当前角速度-bias)*dt
也就是: theta(k)=theta(k-1)+(angle(k)-bias)*dt
可以变成矩阵形式:
OK,现在我们有了第一个方程啦,庆祝!!!代码对应公式,如下:
Xk_1(0,0)=(angle_V-imu.bias)*(t-1)*0.04;Xk_1(1,0)=imu.bias;X_k_1[0](0,0)=Xk_1(0,0);X_k_1[0](1,0)=Xk_1(1,0);A<<1,imu.dt*t,0,1;B<<imu.dt*t,0;Xk=A*X_k_1[t-1]+B*angle_V;X_k.push_back(Xk);
预测的第二个公式:
我们开始求解协防差矩阵啦!我们知道,卡尔曼滤波只有5个公式,其中两个是预测公式,预测公式的特点就是会在更新步骤中被更新,然后再反馈回去,完成迭代。协防差矩阵就是那个不幸的被更新的选手。
协防差矩阵,又名误差协防差矩阵,它在卡尔曼滤波中参与了两个操作
1. 参与了卡尔曼增益的计算
2. 和角度估计值一样,被无情的更新了。
代码中的Pk,我给了它一个初始值,因为后续它还是会被更新的,所以初始值不是太奇怪就行。
代码如下:
Pk=A*P_k_1[t-1]*A.transpose()+Qk;
P_k.push_back(Pk);
公式如下:
问题来了,Q取多少?
个人理解,Q属于噪声,可以先设置一个数值较小的矩阵,后续再根据滤波结果来调节。但是Q越大,代表设计的卡尔曼效果越差。(噪声会不会也是一种补偿呢?)
OK,现在我们有两个公式了,继续继续!!!!!
更新的第一个公式:
这一步,我们要开始求卡尔曼增益了,公式如下:
多了个H,你是不是就糊涂加懵X了? 这里的H,其实就是为了防止矩阵相乘出错的存在,比如,我们不能让2×1的矩阵和2×1的矩阵相乘,这个H就是起到了把2×1变成1×2的作用。
这个R也是个噪声。
代码如下:
MatrixXd tmp(1,1);
tmp=H*P_k[t]*H.transpose()+R;
K=P_k[t]*H.transpose()*tmp.inverse();
K_K.push_back(K);
更新的第二、三个公式
卡尔曼增益的存在,就是为了更新我们的估计值的,估计的次数多了,估计也就慢慢等于实际值(测量值)了。
公式可以参考上面的图哈,这里的Zk就是测量值了,也就是起到校准作用的值,第三个公式更新了我们的估计值,第四个公式估计了协防差,在更新协防差时多了个I矩阵,没有传感器属性的矩阵,我给它设置成了单位矩阵。
公式流程走完了,就可以开始迭代了,注意矩阵下标不要越界,就可以写好代码了。迭代指示如下:
最后的卡尔曼效果如下,纵坐标=实时的估计值-实时的测量值,波动部分是人为给的随机干扰:
完整代码参考我的gitee:https://gitee.com/angry-potato/imu-kalman
一文读懂卡尔曼滤波——卡尔曼滤波融合IMU的陀螺仪和加速度计实践(一)相关推荐
- 一文读懂分库分表的技术演进(最佳实践)
每个优秀的程序员和架构师都应该掌握分库分表,这是我的观点. 移动互联网时代,海量的用户每天产生海量的数据,比如: 用户表 订单表 交易流水表 以支付宝用户为例,8亿:微信用户更是10亿.订单表更夸张, ...
- 超融合和服务器关系_一文读懂超融合服务器
原标题:一文读懂超融合服务器 1.什么叫超融合服务器 融合基础架构(Hyper-Converged Infrastructure)是一种集成了虚拟计算资源和存储设备的信息基础架构.在这样的架构环境中, ...
- 从实验室走向大众,一文读懂Nanopore测序技术的发展及应用
关键词/Nanopore测序技术 文/基因慧 随着基因测序技术不断突破,二代测序的发展也将基因检测成本大幅降低.理想的测序方法,是对原始DNA模板进行直接.准确的测序,消除PCR扩增带来的偏差, ...
- 一文读懂Faster RCNN
来源:信息网络工程研究中心本文约7500字,建议阅读10+分钟 本文从四个切入点为你介绍Faster R-CNN网络. 经过R-CNN和Fast RCNN的积淀,Ross B. Girshick在20 ...
- 一文读懂EfficientDet
一文读懂EfficientDet. 今年年初Google Brain团队在 CVPR 2020 上发布了 EfficientDet目标检测模型, EfficientDet是一系列可扩展的高效的目标检测 ...
- 技术向:一文读懂卷积神经网络
技术向:一文读懂卷积神经网络 技术网络 36大数据(张雨石) · 2015-03-06 05:47 自今年七月份以来,一直在实验室负责卷积神经网络(Convolutional Neural Ne ...
- gps导航原理与应用_一文读懂角速度传感器(陀螺仪)的应用场景
前文我们大致了解陀螺仪的来历,原理和种类,那么,它与我们的日常生活有怎样的关系呢? 陀螺仪器最早是用于航海导航,但随着科学技术的发展,它在航空和航天事业中也得到广泛的应用.陀螺仪器不仅可以作为指示仪表 ...
- gcn 图卷积神经网络_复制一文读懂图卷积GCN
首发于郁蓁的机器学习笔记 写文章 一文读懂图卷积GCN 苘郁蓁 阿里巴巴 算法工程师 关注她 唯物链丶.小小将等 480 人赞同了该文章本文的内容包括图卷积的基础知识以及相关辅助理解的知识点,希 ...
- 独家 | 一文读懂语音识别(附学习资源)
原标题:独家 | 一文读懂语音识别(附学习资源) 一.前言 6月27日,美国权威科技杂志<MIT科技评论>公布2017全球最聪明50家公司榜单.科大讯飞名列中国第一.全球第六.全世界排在科 ...
最新文章
- dom 元素拖拽实现
- Discuz学习总结——部分bug解决方案
- 关于layui-layer独立组件--弹出层
- 八进制数输出二进制c语言,C语言 某数输出二进制的某位
- Parity Alternated Deletions
- 华为p20支持手机云闪付吗_华为官宣7款旗舰支持升级EMUI10.132系统,你的手机有份吗?...
- sql datetime转字符串_datetime的用法,时间戳转换
- 编程中的一种特殊递归-尾递归
- 可搜索的文件? 是的你可以。 选择AsciiDoc的另一个原因
- ArcPad 10 的安装部署
- 黑马程序员-为梦想而努力!
- Jersey框架一:Jersey RESTful WebService框架简介
- 《UnityAPI.ParticleSystem粒子系统》(Yanlz+Unity+SteamVR+云技术+5G+AI+VR云游戏+Particle+loop+Emit+立钻哥哥++OK++)
- 信息精准智能推送(push)的五个关键
- php开源 会员资料,会员详情/会员信息/用户信息
- 【回归预测-FNN预测】基于蝙蝠算法优化前馈网络实现数据回归预测附Matlab代码
- 算法珠玑-变位词的四种解法
- CDN在前端开发中的作用
- Python函数 — 类型提示和存根文件
- 买了云服务器不会用?写了网站不会部署?超详细springboot+vue前后端项目部署教程来啦