卡尔曼滤波-Simulink仿真

卡尔曼滤波原理详解及系统模型建立(simulink) 卡尔曼滤波原理详解及系统模型建立(simulink) 卡尔曼滤波器 卡尔曼滤波器是在上个世界五六十年代的时候提出的,到今天已经有六十年左右的时间,但卡尔曼滤波算法不管在控制、制导、导航或者通讯方面对数据的预测能力依然处在一个不可撼动的位置上,但是很多人对于其算法内部的工作原理究竟是怎么运作的依然不理解,所以在工程上很多人都只是把卡尔曼滤波当成是一种“黑箱”预测算法,并不清楚内部原理。但实际上没有任... 阅读详情
AI摘要

本文介绍了卡尔曼滤波器的基本概念和作用,如用于估算不可直接观测的变量和观测系统的状态。通过Simulink仿真,展示了如何应用卡尔曼滤波器在单摆模型角度估计中的效果,对比了线性和非线性状态估算器如EKF的适用场景。

卡尔曼滤波-Simulink仿真

​

描述:卡尔曼滤波是一种优化估计算法(an optimal estimation algorithm)

​ 卡尔曼滤波器也称传感器融合算法

卡尔曼滤波器最早应用在阿波罗登月工程中,用来估算载人航天往返月球的轨迹

  • (1 2 3 4为理论介绍、5 6 为Simulink仿真)

————————————————————————————————————————————— ————————————————————————————————————————————— —————————————————————————————————————————————

1. Kalman filter 常见的两中用途

1.1 估算不可直接观测的变量

如果你想检测火箭燃烧室的温度,无法直接在燃烧室放传感器,只能将传感器放在燃烧室外部

这时 Kalman filter可以作为状态观测器,输入是燃烧室外某个位置的温度,输出是燃烧室内部的温度。

KalmanFilter
input:室外温度
output:燃烧室内部温度
1.2 观测系统的状态

假如你开着一辆车,车上有三种传感器:

KalmanFilter
IMU
小车的位置
里程计
GPS
  • IMU和里程计可以接受车的位置变化信息,可以快速更新,但是也很容易飘移。
  • GPS接受车的绝对位置,更新没那么快,但容易有噪音。

我们可以构造卡尔曼滤波器,输入时三个传感器的度数,输出是小车的估算位置。

  • 卡尔曼滤波器是一种设计最有状态观测器的方法

2.状态观测器

状态观测器用来帮助你估计无法直接查看或测量的内容。

在数学中,常用$\hat{x} $来表示估计状态。

title

目标: x ^ 逼近于 x \hat{x}逼近于x x^逼近于x

假设一个线性化系统解释一波:

3. Kalman滤波解释


e o b s = x − x ^ x ˙ = A x + B u ① x ^ ˙ = A x ^ + B u + K ( y − y ^ ) ② y = C x , y ^ = C x ^ ① − ② = e o b s ˙ = ( A − K C ) e o b s ⇒ e o b s ( t ) = e ( A − K C ) t e o b s ( 0 ) 我们希望 ( A − K C ) < 0 e_{obs} = x - \hat{x} \\ \dot{x}=Ax+Bu①\\ \dot{\hat{x}}=A\hat{x}+Bu+K(y-\hat{y}) ②\quad y = Cx,\hat{y}=C\hat{x} \\ ①-②=\dot{e_{obs}}=(A-KC)e_{obs} \Rightarrow e_{obs}(t)=e^{(A-KC)t}e_{obs}(0) \\ 我们希望(A-KC)< 0 eobs​=x−x^x˙=Ax+Bu①x^˙=Ax^+Bu+K(y−y^​)②y=Cx,y^​=Cx^①−②=eobs​˙​=(A−KC)eobs​⇒eobs​(t)=e(A−KC)teobs​(0)我们希望(A−KC)<0
title

  • u k : 过程噪声,可能是风速,轮胎抖动造成的 v k : 测量噪声 u_k:过程噪声,可能是风速,轮胎抖动造成的 \\ v_k:测量噪声 \qquad \qquad \qquad \quad \quad \quad \quad \quad \quad uk​:过程噪声,可能是风速,轮胎抖动造成的vk​:测量噪声

  • 通常情况下,这些噪声是服从某一个特定分布的,比如:

    • v ( 测量误差 ) v(测量误差) v(测量误差)~ N ( 0 , R ) N(0,R) N(0,R)
  • 测量值并不能反映真实状态且我们也不发简历完全准确的数学模型来反映y与u的关系

    title

已知: \quad ( u k , y k − 1 ) 和 c a r − m o d e l (u_{k},y_{k-1})和car-model (uk​,yk−1​)和car−model

title

根据已知推理得到的 x k − 1 ^ \hat{x_{k-1}} xk−1​^​本身就有误差(噪声),再根据 x k − 1 ^ \hat{x_{k-1}} xk−1​^​ 以及已知推理得到的 x k ^ \hat{x_{k}} xk​^​的误差更大

之后经过一个时间单位,我们测得 y k y_k yk​,然后根据 y k 和 x k ^ ⇒ x k y_k和\hat{x_k} \Rightarrow x_{k} yk​和xk​^​⇒xk​

卡尔曼滤波器就是一种为随机系统设计的状态观测器 x k ^ = A x k − 1 ^ + B u k + K ( y k − C ( A x k − 1 ^ + B u k ) ) {\color{Red}卡尔曼滤波器就是一种为随机系统设计的状态观测器 \qquad \qquad \qquad \qquad \qquad \qquad \qquad \qquad \qquad} \\ {\color{Red} \hat{x_k}=A\hat{x_{k-1}}+Bu_k+K(y_k-C(A\hat{x_{k-1}}+Bu_k))} 卡尔曼滤波器就是一种为随机系统设计的状态观测器xk​^​=Axk−1​^​+Buk​+K(yk​−C(Axk−1​^​+Buk​))

  • (Prediction) A x k − 1 ^ + B u k A\hat{x_{k-1}}+Bu_k Axk−1​^​+Buk​ 表示根据前一个时间步和数学模型估算的当前状态。记作 x k − ^ \hat{x_k^-} xk−​^​,我们称为预测估值
  • (Update)式就可以写成${\color{Red} \hat{x_k}=\hat{x_k-}+K(y_k-C\hat{x_k-)}} $,我们称为后验估值

因此我们发现,卡尔曼滤波器分两步:

3.1 预测估值

title

P k − P_k^- Pk−​用来描述噪声导致的不确定性的影响,Q代表过程噪声的协方差

3.2 后验估值

title

R代表测量噪声的协方差

调整K使得 P k P_k Pk​​最小, 即通过调整K,对于数学模型预测出来的值和状态观测反推出来的值权重加和

  • 即如果噪声小,那么后验估值更可信,如果噪声大,预测估值更可信

  • 我们可以假设这样两个极端情况;

    • P k = 0 = 0 ( 测量噪声协方差为 0 ) ⇒ K = 1 C ⇒ x k ^ = 1 C y k 因此我们得到当前状态估计值 = 测量结果反推值 P_k=0 = 0(测量噪声协方差为0) \Rightarrow K = \frac{1}{C}\Rightarrow \hat{x_k}=\frac{1}{C}y_k \quad \\因此我们得到当前状态估计值=测量结果反推值 Pk​=0=0(测量噪声协方差为0)⇒K=C1​⇒xk​^​=C1​yk​因此我们得到当前状态估计值=测量结果反推值

    ​

P k − = 0 ( 过程噪声协方差为 0 ) ⇒ K = A P k − 1 A T C T − − − − = 0 ⇒ x k ^ = x k − ^ P_{k}^-=0(过程噪声协方差为0) \Rightarrow K=\frac{AP_{k-1}A^TC^T}{----}=0 \Rightarrow \hat{x_k}=\hat{x_k^-} Pk−​=0(过程噪声协方差为0)⇒K=−−−−APk−1​ATCT​=0⇒xk​^​=xk−​^​

4. 非线性状态估算器(EKF、UKF、PF)简介

系统的状态方程变为 : x k = f ( x k − 1 , u k ) + w k y k = g ( x k ) + v k 系统的状态方程变为: \qquad \qquad \qquad \qquad \qquad \qquad \qquad \qquad\qquad \qquad \qquad \qquad \qquad \qquad \qquad \qquad \qquad \qquad \\ x_k = f(x_{k-1},u_k)+w_k \\ y_k = g(x_{k})+v_k 系统的状态方程变为:xk​=f(xk−1​,uk​)+wk​yk​=g(xk​)+vk​

因为卡尔曼滤波器只针对线性系统,此处必须使用非线性状态估算器来代替卡尔曼滤波器。

我们称之为Extended Kalman Filter(扩展卡尔曼滤波器)

  • EKF 正态分布经过线性变换之后仍然是正态分布,但是EKF把非线性函数在当前估算状态下线性化

title

但是EKF有很多缺点,一次线性化并不能完美的表示抖动比较剧烈的系统

  • UKF 还有一种滤波器叫无味卡尔曼滤波器(Unscented Kalman Filter)

title

在原始概率分布均匀选择采样点,然后映射到非线性变换之后,按照采样点映射后的值重新构造一个最近似的高斯分布

  • 粒子滤波器(Particle Filter)

就是把UKF中的采样点换成大量的随机分布的采样点,然后直接得到变换的概率模型

title

5. KF估计单摆模型角度(Simulink)

我们可以用旋转电位计测得单摆线与垂直方向的夹角 θ \theta θ, 但是我们的测量结果有很多噪声

title

step 1 建立数学模型

title

step 2 simulink仿真

  • 下载simscape_multibody创建的单摆模行

    • https://ww2.mathworks.cn/matlabcentral/fileexchange/105525-kalman-filter-virtual-lab
  • 打开文件夹内的 projrct.prj --> 打开virtualPendulumModel.slx(允许高版本模型)

    title

EnglishChinese
Pivot天花板顶座
Revolute Joint转轴
Link连杆

KF通过最小化误差协方 P k P_k Pk​来求解卡尔曼增益 K K K,最终求解出 x ^ \hat{x} x^

title

5.1 KF-Simulink

title

  • 选择 θ 0 = π 18 \theta_0 =\frac{\pi}{18} θ0​=18π​

    KF适用于线性系统,但是单摆模行不是一个线性系统,选择小范围,非线性失真小一些

    KF的观测效果良好

    title

  • 选择 θ 0 = π 3 \theta_0 =\frac{\pi}{3} θ0​=3π​

    但是开摆范围较大的时候,KF的效果很差,这时需要引入非线性模型EKF

    title

5.2 EKF-Simulink

扩展卡尔曼滤波器估算的离散非线性系统的状态。

title

  • 初始角度还是选择 θ 0 = π 3 \theta_0 =\frac{\pi}{3} θ0​=3π​

title

显然,相比于KF,EKF这种非线性模型对于非线性系统有很好的效果。

simulink 卡尔曼滤波_扩展卡尔曼滤波参数估计实例解析 本文将以车辆三自由度模型为基础,利用扩展卡尔曼滤波,通过车辆的侧向加速度来估计横摆角速度、质心侧偏角、纵向速度等三个参数,通过一个实际的仿真案例来进行具体介绍扩展卡尔曼滤波的使用。一般地,卡尔曼滤波会选择比较容易获取的参数,来估计不易测量的参数。在这里,脚主把卡尔曼参数估计仿真分为四个步骤:1)车辆模型搭建;2)扩展卡尔曼滤波算法搭建;3)模型整合及仿真工况设置;4)仿真及结果分析。01 车辆模型... 阅读详情

相关推荐

在Matlab/Simulink搭建卡尔曼kalman模块化模型

Kalman滤波是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。算法优点在于计算量小,能够利用前一时刻的状态或可能的测量值来得到当前时刻下状态的最优估计。观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是一种滤波过程。常见模型多为python代码形式或者matlab/simulink中的S函数形式,代码形式无法呈现模块化功能,不适用于建模撰写文章Paper报告等。:传感器信号去噪、系统参数系数估计、基于模型的控制(MPC/GPC)Kalman滤波去噪效果。

lvdoushabing_的博客 2347

simulink 卡尔曼滤波_Simulink之卡尔曼滤波

卡尔曼滤波主要根据系统状态方程,通过系统输入输出作为观测数据,来不断迭代修正预估的逻辑,实现对系统状态的最优估计。可以这么理解,卡尔曼滤波是一种闭环估计方法,通过当前时刻的观测与上一时刻对当前时刻的估计对比,来调整估计路线,使得估计方法始终趋向于方差最小的方向。理论公式比较复杂,需要花时间去体会理解,想细研究的朋友建议直接去找一篇相关论文学习(其实研究之后几天就又忘了)。开始正题,我们想...

weixin_39549312的博客 8424

强跟踪卡尔曼滤波STF估算车辆质量——matab simulink仿真

强跟踪卡尔曼滤波估算车辆质量——matab simulink仿真目录参考资料强跟踪滤波器算法解决的问题Simulink模型车辆运动状态仿真代码强跟踪卡尔曼滤波代码 目录 参考资料 强跟踪滤波器理论参考: https://www.docin.com/p-1465349030.html基于强跟踪滤波器的故障诊断方法研究 matab simulink仿真参考: 卡尔曼滤波估算车辆质量——matab si...

lijil168的专栏 8154

卡尔曼滤波器(二):Simulink卡尔曼滤波器模块使用

ml2d2θdt2mglsinθτml2dt2d2θ​mglsinθτd2θdt2glsinθ1ml2τdt2d2θ​lg​sinθml21​τ当摆角θ\thetaθ较小时,有sinθ≈θsinθ≈θ,系统近似为线性系统。用状态空间形式表示这个线性系统,系统输入uτu=\tauuτ,状态xθθ˙Txθθ˙T。

pingping_TEL的博客 1万+

使用Simulink进行基于卡尔曼滤波算法的信号检测仿真

卡尔曼滤波主要用于预测系统未来状态,并根据新的测量数据更新这一预测。其应用范围覆盖了从简单的线性系统到复杂的非线性系统。通过Simulink,我们可以方便地构建系统模型,模拟真实世界中的传感器测量过程,并利用卡尔曼滤波对这些含有噪声的数据进行平滑和预测。明确你的系统需求,比如输入信号类型(如正弦波)、采样率、系统模型参数(如状态转移矩阵A、观测矩阵C等)、噪声特性(如过程噪声协方差Q和观测噪声协方差R)。假设我们需要检测一个被噪声污染的正弦波信号,该信号的真实值遵循一个简单的一阶动力学模型。

xiaoheshang_123的博客 962

基于卡尔曼滤波的三阶RC等效电路电池SOC估计simulink仿真

卡尔曼滤波是一种用于估计未知变量的算法,特别适用于处理包含噪声和不准确性的测量数据。以汽车位置估计为例,传统方法如状态方程和GPS观测各有局限,而卡尔曼滤波能有效结合两者,提供更精确的位置估计。本文介绍了基于卡尔曼滤波的三阶RC等效电路电池SOC估计的Simulink仿真,包含仿真模型和MATLAB代码,适合初学者学习和使用。用户需具备MATLAB和Simulink环境,并具备相关知识基础以进行模型和代码的修改。

2510_91195931的博客 430

卡尔曼滤波估算车辆质量——matab simulink仿真

用simulink两个函数模块完成,一个完成车辆动力学仿真,一个对仿真的结果进行卡尔曼滤波估算车辆质量。 理论可参考https://wenku.baidu.com/view/389717f283d049649b6658fb.html(注意其系统方程没考虑旋转质量的影响) 车辆动力学模型,系统状态方程及其雅克比矩阵为: 系统仿真函数程序为: (车辆参数为上一篇车辆动力性经济性计算的数...

lijil168的专栏 1万+

基于 Simulink 仿真的双卡尔曼滤波

双卡尔曼滤波(Dual Kalman Filter, DKF)是一种结合两个卡尔曼滤波器的算法,通常用于同时估计系统的状态和参数。在 Simulink 中实现双卡尔曼滤波,可以用于状态估计、参数估计和系统辨识等应用。通过掌握双卡尔曼滤波和 Simulink 仿真技术,你可以在状态估计和参数估计领域开发出高效的系统。卡尔曼滤波是一种递归状态估计算法,通过最小化估计误差的协方差来估计系统的状态。

走向CTO的路上... 806

卡尔曼滤波器Simulink仿真资源介绍

卡尔曼滤波器Simulink仿真资源介绍 【下载地址】卡尔曼滤波器Simulink仿真资源介绍 本项目提供了一套完整的Simulink卡尔曼滤波器仿真资源,帮助用户通过直观的模型深入理解卡尔曼滤波器的工作原理。资源包括搭建好的Simulink模型、仿真数据文件以及详细说明文档,用户只需在MATLAB中启动模型并调整参数即...

gitblog_06700的博客 328

基于Simulink仿真的双卡尔曼滤波MATLAB实现

双卡尔曼滤波(dual Kalman filter)是一种常用于估计系统状态的算法,它利用两个卡尔曼滤波器分别对系统状态和传感器误差进行估计。通过仿真结果可以看出,双卡尔曼滤波器可以有效提高系统状态的估计精度和减少传感器误差的干扰。其中,u [n] 是输入信号,w1 [n] 和 w2 [n] 分别表示系统状态和传感器误差的高斯白噪声;v1 [n] 和 v2 [n] 则分别表示系统状态和传感器误差的测量噪声。通过运行Simulink模型,我们可以观察到双卡尔曼滤波器对系统状态和传感器误差的估计效果。

BUG?不存在的! 845

零基础入门Simulink建模仿真--通信领域的信号处理与滤波技术:基于Simulink的卡尔曼滤波算法仿真建模示例

卡尔曼滤波的核心思想是利用系统的动力学模型以及当前时刻的观测值来预测下一时刻的状态,并通过更新步骤修正预测误差,从而获得更准确的状态估计。卡尔曼滤波适用于线性系统且假设系统噪声和测量噪声均为高斯白噪声的情况。本示例将展示如何在Simulink中实现一个简单的线性系统及其卡尔曼滤波器,并进行仿真验证其性能。首先,在MATLAB中定义一个简单的离散时间线性系统模型。这里我们以一个简单的质量-弹簧-阻尼系统为例。matlab深色版本% 定义系统参数0, 1];% 状态转移矩阵B = [0;1];

amy_mhd的博客 247

手把手教你学Simulink--卡尔曼滤波算法在信号检测中的应用仿真

摘要:本文介绍了使用Simulink进行卡尔曼滤波信号检测仿真的完整流程。首先说明卡尔曼滤波在信号处理中的重要性,然后详细讲解从定义系统需求到运行仿真的九个步骤,包括构建Simulink模型、添加信号源、设计滤波器参数、可视化结果等关键环节。通过正弦波信号加噪处理的示例,展示了卡尔曼滤波去噪的有效性,并建议进一步探索扩展卡尔曼滤波等高级应用。该方法为信号处理系统开发提供了实践基础。

MHD0815的博客 775

基于matlab/simulink的卡尔曼滤波,基于matlab/simulink的扩展卡尔曼滤波,基于卡尔曼滤波的soc仿真测

通过在Matlab Simulink环境下构建非线性SOC的模型,并设定扩展卡尔曼滤波器的参数,可以实现对SOC性能的更精确的仿真和测试。通过在Matlab Simulink环境下构建SOC的模型,并设定卡尔曼滤波器的参数,可以实现对SOC性能的仿真和测试。基于matlab/simulink的卡尔曼滤波,基于matlab/simulink的扩展卡尔曼滤波,基于卡尔曼滤波的soc仿真测试,卡尔曼滤波,扩展卡尔曼滤波,扩展卡尔曼滤波SOC仿真3o3。五、基于扩展卡尔曼滤波的SOC仿真测试。

wWkBUxSHeJ的博客 478

卡尔曼滤波器Simulink仿真资源介绍:深入理解滤波原理,实现高效仿真

卡尔曼滤波器Simulink仿真资源介绍:深入理解滤波原理,实现高效仿真 【下载地址】卡尔曼滤波器Simulink仿真资源介绍 本项目提供了一套完整的Simulink卡尔曼滤波器仿真资源,帮助用户通过直观的模型深入理解卡尔曼滤波器的工作原理。资源包括搭建好的Simulink模型、仿真数据文件以及详细说明文档,用户只需在M...

gitblog_06771的博客 983

卡尔曼滤波器在simulink 中的实现

自己在MATLAB中构造的卡尔曼滤波器,挺好用的,分享给大家。

卡尔曼滤波用simulink实现_有3个例子_能运行!.zip

卡尔曼滤波用simulink实现_有3个例子_能运行!.zip

卡尔曼滤波器Simulink仿真资源文件介绍

卡尔曼滤波器Simulink仿真资源文件介绍 去发现同类优质开源项目:https://gitcode.com/ 此资源文件包含了一个标题为“卡尔曼滤波器Simulink仿真.zip”的压缩包,内含用于Simulink环境下卡尔曼滤波器仿真的相关模块和程序。 文件内容 Para_cv1初始化程序:此程序是卡尔曼滤波模块的初始化程序,简称KF。它涵盖了连续时间卡尔曼滤波器、离散时间卡尔曼滤波器以及混...

gitblog_06724的博客 275

卡尔曼滤波器及其简matlab仿真.pdf

。

上一篇: 我的相册(URL)
下一篇: Pytorch/Paddle全流程训练+部署模型到JetsonNano(TensorRT加速)
Promethe_us
博客等级 码龄7年 4571粉丝 21原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址