Das Kalman Filter - ei.rub.de · PDF fileDas Kalman‐Filter benutzt ein Zustandsraummodell...
Click here to load reader
Transcript of Das Kalman Filter - ei.rub.de · PDF fileDas Kalman‐Filter benutzt ein Zustandsraummodell...
Das Kalman‐Filter
Beispiel: Positionsschätzung
2
Beispiel: Positionsschätzung
1. Messung: mit Varianz 1Y1
2Yσ
Daraus abgeleitete Positionsschätzung: mit Varianz 1 1X̂ Y=1
2 21 Yσ σ=
f
1 1( )Yf y
1y
3
Beispiel: Positionsschätzung
2. Messung: mit Varianz 2Y2
2Yσ
Wie kann aus der bisherigen Schätzung mit der neuen Messung eine verbesserte Schätzung berechnet werden?
f
( )f2
ˆ 2( )Xf x
1ˆ 1( )Xf x
1 2,y y
4
Kombination bisherige Schätzung / neue Messung
Nach Varianzen gewichtetes Mittel Die neue Varianz der ghat die geringste erwartete quadratische Abweichung:
verbesserten Schätzung:quadratische Abweichung:
1 1 1⎛ ⎞ 1 1 1
2
2 1 22 21
2 2
1 1 1ˆ ˆ1 1
Y
X X Yσ σ
σ σ
⎛ ⎞= +⎜ ⎟⎜ ⎟
⎝ ⎠+ 2
2 2 22 1
1 1 1
Yσ σ σ= +
2
2
1
2 21
1 2ˆ
Y
Y X Y
σ σ
σ σ= +
( )2 2
1 22 2 2 21 1
21ˆ ˆ
Y Y
X Y
X Y X
σ σ σ σ
σ
++ +
( )2
11 2 12 2
1 Y
X Y Xσ σ
= + −+
5
Kombination bisherige Schätzung / neue Messung
Zwei Iterationsgleichungen: Ei fü d S hät d i fü i V iEine für den Schätzer und eine für seine Varianz
( ) 1 1 1( )2 1 2 2 1ˆ ˆ ˆX X W Y X= + −
2
2 2 22 1
1 1 1
Yσ σ σ= +
Gewichtetes Mittel zwischen aktueller Schätzung und Abweichung der Messung von der Schätzung (Innovation)Abweichung der Messung von der Schätzung (Innovation)
G i ht f kt21σGewichtungsfaktor:
2
12 2 2
1 Y
W σσ σ
=+
6
Aber das Boot bewegt sich
X X&X
7
Prozessmodell
Bisherige Annahme: Der richtige Wert ist eine KonstanteBisherige Annahme: Der richtige Wert ist eine Konstante, d.h. von einer Messung zur nächsten tritt keine Veränderung auf Was ist aber wenn Veränderung durch Bewegungauf. Was ist aber, wenn Veränderung durch Bewegung entsteht?
Bewegungsmodell mit zwei Zustandsvariablen Position und Geschwindigkeit (hier eindimensionales Bewegungsmodell):
1k k kX X X τ+ = + &
& &k
k
XX
X⎛ ⎞
= ⎜ ⎟⎝ ⎠&
1k kX X+ =kkX⎜ ⎟
⎝ ⎠
1
10 1k k kX X FX
τ+
⎛ ⎞= =⎜ ⎟⎝ ⎠
8
⎝ ⎠
Messgleichung
G i d b di P itiGemessen wird aber nur die Position
… und zwar mit einem Messfehler… und zwar mit einem Messfehler
(1 0) kXY V
⎛ ⎞+⎜ ⎟(1 0)k k
k
Y VX
= +⎜ ⎟⎝ ⎠&
Y H X Vk k kY H X V= +
Messmatrix Messrauschen
9
Zustandsraummodell zur Prozessbeschreibung
kD
kG 1z− k
H+ +kU kYkX1kX +
kVk
Fk
MessungSystemstörung
Messung
System
Das Kalman‐Filter benutzt ein Zustandsraummodell zur Beschreibung des beobachteten Prozesses.
10
Das Modell muss vollständig bekannt sein.Das Modell darf sich in jedem Schritt k ändern
Was muss bekannt sein?Die Matrizen des Zustandsraummodells
, ,k k k
H F G
Die Kovarianzmatrizen der Rauschprozesse mit
E ( )Tk l
kQU U k lδ= − E ( )T
k l kRV V k lδ= −
E E 0k kV U= =
Die Rauschprozesse müssen stochastisch unabhängig sein
k k
E 0Tk lU V =
Die Kovarianzmatrix und der Erwartungswert des Startzustandes
E TX X Π E 0TX U0 0 0EX X = Π 0E 0kX U =
0E 0TkX V =0E 0X =
11
0E 0kX V0
Vorhersage (Prediction)
Der aktuelle Schätzer des Zustandsvektors sei zusammenDer aktuelle Schätzer des Zustandsvektors sei zusammen mit seiner Kovarianzmatrix bekannt.
h h ll d b hDer Messwert im nächsten Zeitschritt soll mit der bisher besten Schätzung linear kombiniert werden.
Dazu muss erst eine Vorhersage für den nächsten Wert und die zugehörige Kovarianzmatrix gemacht werden:
1| |ˆ ˆ
k k k kX FX+ =
1| |ˆ ˆ( ) ( )T
k k k kCov X F Cov X F+ =
Anschließend kann diese Vorhersage mit dem neuen Messwert kombiniert werden und die Schätzung korrigiert
12
Messwert kombiniert werden und die Schätzung korrigiert werden.
Methode des Kalman Filters
VorhersageVorhersage des nächsten Zustands und seiner Kovarianzmatrix mit physikalischem Modell in Form einer Zustandsraumdarstellung
KorrekturKorrektur Der Vorhersage mit Eintreffen des neuen Messwertes. Messwert und Innovation werden in Abhängigkeit von den Kovarianzen gewichtet gemittelt
13
Kovarianzen gewichtet gemittelt.
Kalman Filtergleichungen (1)
Sk l M d ll d B i i l bSkalares Modell aus dem Beispiel ergab
( )2|ˆ ˆ ˆk kσ ( )| 1
| | 1 | 12 2| 1
ˆ ˆ ˆ1
ˆ ˆk
k kk k k k k k k
k k Y
X X Y Xσ
σ σ−
− −−
= + − ⋅+
Korrektur
1| |ˆ ˆ
k k k kX X+ = Prädiktion
und wird nun vektoriell zu :
( )ˆ ˆ ˆ( )| | 1 | 1ˆ ˆ ˆ
k k k k k kkX X W Y H X− −= + −
ˆ ˆX FX
Korrektur
1| |k k k kX FX+ = Prädiktion
14
Kalman Filtergleichungen (2)
Die Bestimmung des Faktors ist der aufwendige Teil derDie Bestimmung des Faktors ist der aufwendige Teil der Herleitung und ergibt:
( ) 1
| 1 | 1T T
k k k k k k k kW P H H P H R
−
− −= +
mit der Kovarianzmatrix der Innovation des Zustandes
ˆ ˆ TT % %| 1 | 1 | 1 | 1| 1
ˆ ˆ( )( ) TTk k k k k k k kk k
P E X X X X E X X− − − −−= − − =
Diese Kovarianzmatrix gibt ein Maß für die Güte des der Schätzung des ZustandsvektorsSchätzung des Zustandsvektors
15
Vergleich mit dem eindimensionalen Beispiel
( )2
1σ ( ) 1| 1 2 2 2| 1 | 12 2
| 1k
k
k kk k k k Y
k k Y
Wσ
σ σ σσ σ
−−− −
−
= = ++
( ) 11 T TW P H H P H RH H−
− ( )| 1 | 11 T T
k k k k kk k k kkW P H H P H RH H
− −= +
Die Unsicherheit der
Die Unsicherheit der Innovation des Zustandes wird in eine U i h h it d I ti d
Rücktransformation in den Raum des Zustandes
aktuellen Messung
Unsicherheit der Innovation der Messwerte übersetzt. Das entspricht der Unsicherheit 2
| 1k kσ −
Zustandes
Das Weglassen des bl T il id t |k kblauen Teils vermeidet die Probleme bei singulären H‐Matrizen
16
Kalman Filtergleichungen
Initialisierung
0| 1ˆ 0X − =
0| 1 0P − = Π
( ) 1−
( )Rekursion des nächsten Zustandsvektors
( ) 1
| 1 | 1T T
k k k k k k k kW P H H P H R
− −= +( )1| | 1 | 1
ˆ ˆ ˆk k k k k kkk k
X F X F W Y H X+ − −= + − mit
( ) 1T T T T T T−
Rekursion der Kovarianzmatrix der Innovation des Zustandsvektors
( )1| | 1 | 1 | 1 | 1T T T T T T
k k k k k k k k k k k k k k k k k k kk kkP F P F G Q G F P H H P H R H P F
+ − − − −= + − +
17