In der Statistik und Kontrolltheorie ist die Kalman-Filterung, auch bekannt als lineare quadratische Schätzung, ein Algorithmus, der eine Reihe von Messungen verwendet, die im Laufe der Zeit beobachtet werden, einschließlich statistischem Rauschen und …
Was bewirken Kalman-Filter?
Kalman-Filter werden verwendet, um die interessierenden Variablen optimal zu schätzen, wenn sie nicht direkt gemessen werden können, aber eine indirekte Messung verfügbar ist. Sie werden auch verwendet, um die beste Schätzung von Zuständen zu finden, indem Messungen von verschiedenen Sensoren in Gegenwart von Rauschen kombiniert werden.
Warum ist der Kalman-Filter gut?
Kalman-Filter sind ideal für Systeme, die sich ständig ändern. Sie haben den Vorteil, dass sie wenig Speicher benötigen (sie müssen keine andere Historie als den vorherigen Zustand führen) und sie sind sehr schnell, wodurch sie sich gut für Echtzeitprobleme und eingebettete Systeme eignen.
Warum ist die Kalman-Filterung so beliebt?
Bei Verwendung eines gefensterten Kalman-Filters zur Neulinearisierung vergangener Zustände oder bei korrelierten Beobachtungen durch Zeitschritte ist es oft viel einfacher, die normalen Gleichungen zu verwenden. Außerdem kann die Kovarianzmatrix des Kalman-Filters mit der Zeit in nicht positive Semidefinitheit geraten.
Was ist der Kalman-Filter zum Tracking?
Kalman-Filterung (KF) [5] ist weit verbreitet, um sich bewegende Objekte zu verfolgen, mit denen wir die Geschwindigkeit und sogar Beschleunigung eines Objekts mit der Messung seiner Position abschätzen können. Allerdings ist dieDie Genauigkeit von KF hängt von der Annahme einer linearen Bewegung für jedes zu verfolgende Objekt ab.
