卡尔曼滤波的动态机制:P如何改变融合权重

P 变化 → K 变化 → 预测与观测的权重变化。

P 为估计误差协方差,上标 − 为预测,+ 为更新后。假设预测误差与观测噪声不相关。

1.预测与更新如何改变 P

预测:传播不确定性,再加入过程噪声。

  • 当 F = I 时,P 增加一个 Q。
  • 一般 F 下并非每个方向都增大;惯性定位缺少外部观测时,位置不确定性通常随时间增长。

更新:利用观测降低不确定性。

即使 Q、R 固定,P 的递推仍会改变 K,调整融合权重。

2.为什么更新后 P 会减小

一维直接观测 H = 1,预测方差与观测方差均为正:

**乘上小于 1 的正数,方差自然减小。**状态更新为:

预测权重为 1 − K,观测权重为 K。

I − KH 是误差修正矩阵,不是观测方程的状态转移矩阵。完整误差关系与协方差为:

代入标准最优 K 后,才得到前面的简式;观测噪声并未被忽略。多维时,由下式可知任意方向的方差不增加:

这不代表每个矩阵元素都减小,也不能把 I − KH 整体当成一个小数。

3.一个数值例子

一维 F = H = 1,上次后验方差为 1,本步 Q = 3,R = 1。

方差:1 → 4 → 0.8。此时观测占 80%,预测占 20%。

普通 KF 自动递推 P、调整 K,并不会仅因新息很大就自动增大 R。P 变小,也不保证每次实际误差都变小。

相关推荐
凌冰_3 小时前
数据结构 - 时间空间复杂度(一)
数据结构·算法·软件工程
Pniubi3 小时前
力扣2 . 两数相加
算法·leetcode·职场和发展
戴·菲瑜3 小时前
为什么PPO难以做出顶级棋类引擎
算法·博弈论·rl·ppo
在所不辞兄6 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
AvocadoZeroOneOI10 小时前
B4500 [GESP202603 三级] 凯撒密码 详细解题报告
c++·算法
cjz389912 小时前
双指针技巧:覆盖式双指针(原地覆盖)
算法
橘子1316 小时前
【高级数据库】关系代数基本概念
算法
电科_银尘1 天前
【大模型算法与工程 15】手写Self-Attention:Q、K、V与缩放点积
算法
郝学胜-神的一滴1 天前
Effective STL 条款03:容器中的对象复制要廉价且正确
开发语言·数据结构·c++·算法·rpc·stl
秋天的怀念_David1 天前
算法一千零一夜 · 第三十三夜 · 跳表
java·程序人生·算法