O algoritmo de filtro Kalman funciona da seguinte maneira
Inicializar x 0 | 0 e P 0 | 0 .
Em cada iteração
Prever
Previsto (a priori) estado estimativa x k | k - 1 = F k x k - 1 | k - 1 + B k u k Estimativa (a priori) de covariância estimada P k | k - 1 = F k P k - 1 | k - 1 F T k + Q k Atualização
Inovação ou medição residual Inovação (ou residual) covariância Ganho ideal de Kalman Estimativa do estado atualizada (a posteriori) Atualizado (a posteriori) estimativa de covariância Sk=HkPk| k-1H T k +Rk
x k | k = x k | k - 1 + K k ˜ y k P k | k =(I- K k H k ) P k | k - 1
O ganho de Kalman representa a importância relativa do erro com relação à estimativa anterior .~ y k x k | k - 1
Gostaria de saber como entender a fórmula para o ganho Kalman intuitivamente ? Considere o caso de os estados e saídas serem escalares, por que o ganho é maior, quando
é maior
é maior
é menor?
Obrigado e cumprimentos!
fonte
Respostas:
Substituindo o primeiro limite na equação de atualização da medição
fonte
O ganho de Kalman diz quanto eu quero alterar minha estimativa, dada uma medida.
fonte
fonte
Estou trabalhando no algoritmo Kalman Filter (KF). Observei que o ganho de kalman lida com a convergência do algoritmo com o tempo, ou seja, com a rapidez com que o algoritmo corrige e minimiza o residual.
Chegando à equação, escolha um valor de ganho kalman inicial e varie de baixo para alto, o que pode lhe proporcionar um valor aproximado.
fonte