I statistik og kontrolteori er Kalman-filtrering, også kendt som lineær kvadratisk estimering, en algoritme, der bruger en række målinger observeret over tid, inklusive statistisk støj og …
Hvad gør Kalman-filtre?
Kalman-filtre bruges til optim alt at estimere variablerne for interesser, når de ikke kan måles direkte, men en indirekte måling er tilgængelig. De bruges også til at finde det bedste estimat af tilstande ved at kombinere målinger fra forskellige sensorer i nærvær af støj.
Hvorfor er Kalman-filteret godt?
Kalman-filtre er ideelle til systemer, der konstant ændrer sig. De har den fordel, at de er lette på hukommelsen (de behøver ikke at opbevare nogen anden historik end den tidligere tilstand), og de er meget hurtige, hvilket gør dem velegnede til re altidsproblemer og indlejrede systemer.
Hvorfor er Kalman-filtrering så populær?
Ved at bruge et windowed kalman-filter til relinearisering af tidligere tilstande, eller når man har korrelerede observationer gennem tidstrin, er det ofte meget nemmere at bruge de normale ligninger. Derudover kan kalman-filterets kovariansmatrix løbe ind i ikke-positiv semidefiniteness over tid.
Hvad er Kalman-filteret til sporing?
Kalman-filtrering (KF) [5] er udbredt brugt til at spore objekter i bevægelse, hvormed vi kan estimere hastigheden og endda accelerationen af et objekt med måling af dets placeringer. Imidlertidnøjagtigheden af KF afhænger af antagelsen om lineær bevægelse for ethvert objekt, der skal spores.