Howtosignalprocessing
- Pourquoi la matrice de covariance est utilisée dans le filtre Kalman?
- Qu'est-ce que la matrice d'État dans le filtre Kalman?
- Que signifie la covariance dans le filtre Kalman?
- Qu'est-ce qu'une matrice de covariance de bruit?
Pourquoi la matrice de covariance est utilisée dans le filtre Kalman?
Le filtre Kalman (KF) est un schéma récursif qui propage une estimation actuelle d'un État et la matrice de covariance d'erreur de cet État à temps dans le temps. Le filtre mélange de manière optimale les nouvelles informations introduites par les mesures avec des informations anciennes incorporées dans l'état précédent avec une matrice de gain Kalman.
Qu'est-ce que la matrice d'État dans le filtre Kalman?
La matrice de transition d'état décrit comment vos États se propagent avec le temps étant donné un état initial. Pour un système linéaire invariant dans le temps (LTI), il s'agit d'une matrice constante. Par exemple, en supposant que j'ai un modèle LTI à temps discret en 2 dimensions indiqué ci-dessous: x (k + 1) = x (k) ---- (1) y (k + 1) = y (k) + 2x ( k) ----- (2)
Que signifie la covariance dans le filtre Kalman?
La matrice de covariance utilisée dans le filtre Kalman représente l'erreur d'un ensemble de données distribué gaussien multidimensionnel.
Qu'est-ce qu'une matrice de covariance de bruit?
La covariance du processus agit comme une matrice de pondération pour le processus système. Il relie la covariance entre le ith et le jth élément de chaque vecteur de bruit de processus. Il est défini comme: σij = cov (→ xi, → xj) = e [(→ xi - μi) ⋅ (→ xj - μj)]
