扩展卡尔曼滤波EKF与多传感器融合

首先给大家推荐一下我老师大神的人工智能教学网站。教学不仅零基础,通俗易懂,而且非常风趣幽默,还时不时有内涵黄段子!点这里可以跳转到网站

Extended Kalman Filter(扩展卡尔曼滤波)是卡尔曼滤波的非线性版本。在状态转移方程确定的情况下,EKF已经成为了非线性系统状态估计的事实标准。本文将简要介绍EKF,并介绍其在无人驾驶多传感器融合上的应用。

这里写图片描述

KF与EKF

本文假定读者已熟悉KF,若不熟悉请参考卡尔曼滤波简介

KF与EKF的区别如下:

  1. 预测未来:用代替;其余用代替。
  2. 修正当下:将状态映射到测量的用代替;其余用代替。

其中,非线性函数用非线性得到了更精准的状态预测值、映射后的测量值;线性变换通过线性变换使得变换后的仍满足高斯分布的假设。

计算方式如下:

这里写图片描述

为什么要用EKF

KF的假设之一就是高斯分布的预测后仍服从高斯分布,高斯分布的变换到测量空间后仍服从高斯分布。可是,假如是非线性变换,那么上述条件则不成立。

将非线性系统线性化

既然非线性系统不行,那么很自然的解决思路就是将非线性系统线性化。

对于一维系统,采用泰勒一阶展开即可得到:

对于多维系统,仍旧采用泰勒一阶展开即可得到:

其中,是Jacobian矩阵。

多传感器融合

lidar与radar

本文将以汽车跟踪为例,目标是知道汽车时刻的状态。已知的传感器有lidar、radar。

  • lidar:笛卡尔坐标系。可检测到位置,没有速度信息。其测量值。
  • radar:极坐标系。可检测到距离,角度,速度信息,但是精度较低。其测量值,图示如下。
这里写图片描述

传感器融合步骤

这里写图片描述

步骤图如上所示,包括:

  1. 收到第一个测量值,对状态进行初始化。
  2. 预测未来
  3. 修正当下

初始化

初始化,指在收到第一个测量值后,对状态进行初始化。初始化如下,同时加上对时间的更新。

对于radar来说,

对于radar来说,

预测未来

预测主要涉及的公式是:

需要求解的有三个变量:。


表明了系统的状态如何改变,这里仅考虑线性系统,F易得:


表明了系统状态的不确定性程度,用的协方差表示,这里自己指定为:


表明了未能刻画的其他外界干扰。本例子使用线性模型,因此加速度变成了干扰项。中未衡量的额外项目为:

服从高斯分布。

修正当下

lidar

lidar使用了KF。修正当下这里牵涉到的公式主要是:

需要求解的有两个变量:。


表示了状态空间到测量空间的映射。


表示了测量值的不确定度,一般由传感器的厂家提供,这里lidar参考如下:

radar

radar使用了EKF。修正当下这里牵涉到的公式主要是:

区别与上面lidar的主要有:

  1. 状态空间到测量空间的非线性映射
  2. 非线性映射线性化后的Jacob矩阵
  3. radar的

状态空间到测量空间的非线性映射如下


非线性映射线性化后的Jacob矩阵


表示了测量值的不确定度,一般由传感器的厂家提供,这里radar参考如下:

传感器融合实例

多传感器融合的示例如下,需要注意的有:

  1. lidar和radar的预测部分是完全相同的
  2. lidar和radar的参数更新部分是不同的,不同的原因是不同传感器收到的测量值是不同的
  3. 当收到lidar或radar的测量值,依次执行预测、更新步骤
  4. 当同时收到lidar和radar的测量值,依次执行预测、更新1、更新2步骤
这里写图片描述

多传感器融合的效果如下图所示,红点和蓝点分别表示radar和lidar的测量位置,绿点代表了EKF经过多传感器融合后获取到的测量位置,取得了较低的RMSE。

这里写图片描述

点这里可以跳转到人工智能网站

发表评论