当前位置:   article > 正文

卡尔曼滤波——预测和更新_卡尔曼滤波位置预测

卡尔曼滤波位置预测

在这里插入图片描述
可以理解为现代控制里的状态反馈,
2、卡尔曼滤波追踪
5个基本的公式,这里直接给出公式:
公式1:X(k|k-1) = FX(k-1 | k-1) + BU(k) + W(k)
公式2:P(k|k-1) = FP(k-1|k-1)F’ + Q(k)
公式3:X(k|k) = X(k|k-1) + Kg(k)[Z(k) - AX(k|k-1)
公式4:Kg(k) = P(k|k-1)A’/{AP(k|k-1)A’ + R} //卡尔曼增益
公式5:P(k|k) = (1- Kg(k) H) P(k|k-1)
另外,Z(k) = HX(k) + V,Z是测量值,X是系统值,W是过程噪声,V是测量噪声,H是测量矩阵,A是转移矩阵,Q是W的协方差,R是V的协方差,X(k|k-1)是估计值;X(k|k)是X(k|k-1)的最优估计值,即滤波估计值;P(k|k-1)是估计值误差方差矩阵,P(k|k)是滤波误差方差矩阵。
2.卡尔曼滤波器:
卡尔曼滤波被广泛应用于无人机、自动驾驶、卫星导航等领域,简单来说,其作用就是基于传感器的测量值来更新预测值,以达到更精确的估计。
在目标跟踪中,需要估计track的以下两个状态:
均值(Mean):表示目标的位置信息,由bbox的中心坐标 (cx, cy),宽高比r,高h,以及各自的速度变化值组成,由8维向量表示为 x = [cx, cy, r, h, vx, vy, vr, vh],各个速度值初始化为0。
协方差(Covariance ):表示目标位置信息的不确定性,由8x8的对角矩阵表示,矩阵中数字越大则表明不确定性越大,可以以任意值初始化。
卡尔曼滤波分为两个阶段:(1) 预测track在下一时刻的位置,(2) 基于detection来更新预测的位置。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/从前慢现在也慢/article/detail/156625
推荐阅读
相关标签
  

闽ICP备14008679号