我使用 C++ 中的 Eigen 库编写了一个卡尔曼滤波器实现，并且还使用了此 link 中的实现测试我的过滤器:我的预测步骤如下所示:

void KalmanFilter::Predict()
{
    // state Estimate = state transition matrix * previous state
    // No control input present.
    x = A * x;


   // State Covariance Matrix = (State Transition Matrix * Previous State 
   Covariance matrix * (State Transition Matrix)^T ) + Process Noise

   P = A * P * A.transpose() + Q;
}

虽然我的更新步骤是:

void KalmanFilter::Update(VectorXd z)
{
    //Kalman Gain = (State Covariance Matrix * Measurement matrix.transpose) * (H*P*H^T + Measurement Noise)^-1
    K = (P * H.transpose()) * (H * P * H.transpose()+ R).inverse();

    //Estimated Stated = Estimated state + Kalman Gain (Measurement Innovation)
    x = x + K*(z - H * x);

   //State Covariance matrix = (Identity Matrix of the size of  x.size * x.size) - K* H * P;
    long x_size = x.size();
    MatrixXd I = MatrixXd::Identity(x_size, x_size);
    P = (I - K * H) * P ;

}

我的初始值是:

pos_x = 0.0;
pos_y = 0.0;
pos_z = 1.0;
vel_x = 10.0;
vel_y = 0.0;
vel_z = 0.0;
acc_x = 0.0;
acc_y = 0.0;
acc_z = -9.81;

我通过在循环中执行以下操作来生成“假数据”:

double c = 0.1; // Drag resistance coefficient
double damping = 0.9 ; // Damping

double sigma_position = 0.1 ; // position_noise

// Create simulated position data
for (int i = 0; i < N; i ++)
{
    acc_x = -c * pow(vel_x, 2);  // calculate acceleration ( Drag Resistance)

    vel_x += acc_x * dt;  // Integrate acceleration to give you velocity in the x axis.

    pos_x += vel_x * dt; // Integrate velocity to return the position in the x axis

    acc_z = -9.806 + c * pow(vel_z, 2); // Gravitation + Drag

    vel_z += acc_z * dt;   // z axis velocity

    pos_z += vel_z * dt;  // position in z axis

    // generate y position here later.

    if(pos_z < 0.01)
    {
        vel_z = -vel_z * damping;
        pos_z += vel_z * dt;
    }

    if (vel_x < 0.1)
    {
        acc_x = 0.0;
        acc_z = 0.0;
    }

    // add some noise
    pos_x = pos_x + sigma_position * process_noise(generator); 
    pos_y = pos_y + sigma_position * process_noise(generator);
    pos_z = pos_z + sigma_position * process_noise(generator);

然后我通过以下步骤运行我的预测和更新:

// Prediction Step
kalmanFilter.Predict();

// Correction Step
kalmanFilter.Update(z);

其中 z 是一个 3 x 1 vector ，包含 pos_x、pos_y 和 pos_z

我的状态转换矩阵 A 如下所示:

A <<    1, 0, 0, dt, 0, 0, dt_squared, 0 , 0,
        0, 1, 0, 0,  dt, 0, 0, dt_squared, 0,
        0, 0, 1, 0, 0, dt, 0, 0, dt_squared,
        0, 0, 0, 1, 0, 0, dt, 0, 0,
        0, 0, 0, 0, 1, 0, 0 , dt, 0,
        0, 0, 0, 0, 0, 1, 0, 0, dt,
        0, 0, 0, 0, 0, 0, 1, 0, 0,
        0, 0, 0, 0, 0, 0, 0, 1, 0,
        0, 0, 0, 0, 0, 0, 0, 0, 1;

其中 dt_squared 是 (dt * dt)/2;

P is  

P<< 100, 0, 0, 0, 0, 0, 0, 0, 0,
            0, 100, 0, 0, 0, 0, 0, 0, 0,
            0, 0, 100, 0, 0, 0, 0, 0, 0,
            0, 0, 0, 100, 0, 0, 0, 0, 0,
            0, 0, 0, 0, 100, 0, 0, 0, 0,
            0, 0, 0, 0, 0, 100, 0, 0, 0,
            0, 0, 0, 0, 0, 0, 100, 0, 0,
            0, 0, 0, 0, 0, 0, 0, 100, 0,
            0, 0, 0, 0, 0, 0, 0, 0, 100;

和

   R << 1, 0, 0,
         0, 1, 0,
         0, 0, 1;

和

Q = G * G.transpose()* a * a;  

其中 G 是

G << dt_squared, dt_squared, dt_squared, dt, dt, dt, 1, 1, 1;

a =  0.1 //( acceleration process noise)

我的问题是我对 y 和 z 的估计位置偏离了“真实”位置。如果您查看以下图表，

这是 pos_x 的样子:

这是 pos_y 的样子:

最后是 Z:

这是我第一次尝试使用卡尔曼滤波器，我不确定我做错了什么。我的最终目标是用它来估计无人机的位置。另外，我有以下问题:

例如，在无人机的现实生活中，如果您不能直接观察过程，您如何选择过程噪声？您只是简单地选择任意值吗？

很抱歉发了这么长的帖子。感谢您的帮助。

最佳答案

不知道是代码问题，还是算法实现问题，还是期望问题。

您确实意识到，如果虚假数据中包含太多操作，像这样的过滤器将不会重现真实数据，甚至不会重现任何接近真实数据的东西。

此外，您的图表不存在。

我知道我的回复不符合社区标准，但我不能发表评论，否则我会那样做。

在您提供图表并根据更新率检查路径曲率之前，我不会尝试详细介绍。过滤器也需要“调整”到特定系统。您可能需要使用噪声参数来更好地调整它。对于机动轨道，可能需要使用高阶滤波器、Singer 或 Jerk 滤波器……滤波器需要对系统建模得足够好。根据您的更新矩阵，您似乎有一个抛物线(二阶)估计。您可能还想在其他非软件或代码特定的论坛中询问此问题。

关于c++ - 使用 Eigen 的 3D 位置卡尔曼滤波器实现，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/50491938/