之前寫完了
David LEE:卡爾曼濾波:從入門到精通?zhuanlan.zhihu.com之後一直說要寫非線性情況下的推導。但後來想想,EKF不過就是做了一階泰勒展開而已,要寫成一篇文章實在是太短,感覺也沒有太多乾貨,就一直沒有動筆。最近在看 《概率機器人》,覺得關於貝葉斯濾波器確實也可以稍作總結,於是就寫了這篇卡爾曼濾波家族。
本文對於擴展卡爾曼濾波、無跡卡爾曼濾波僅僅做了一些簡要介紹,不再想上次的文章那樣做詳細地推導了。但只要看過之前寫的卡爾曼濾波,相信這篇文章對於你來說也是很好理解的。
本文配圖均來自《概率機器人》
擴展卡爾曼濾波
假設狀態轉移概率和測量概率分別由非線性函數g和h控制,而不再是一個線性變換:
這種情況下,由於線性變換的關係不在了,因此概率分布也不再是高斯分布。整個系統不再有閉式解,這是最讓人頭疼的。
而EKF 的主要思想就是線性化:通過一個在高斯函數的均值處與非線性函數g相切的線性函數來近似g。