卡尔曼滤波算法
先看这篇,强推:https://www.bzarg.com/p/how-a-kalman-filter-works-in-picture/
这篇结合代码讲解:https://zhuanlan.zhihu.com/p/90835266
核心就两个:
-
运动学模型的建立. 计算预测值
状态量是一个N个量(代表了N个分布的均值)组成的N维向量,每一个量都符合高斯分布. 根据运动学模型,可以根据t-1时刻的状态量得到t时刻的状态量的分布. 具体而言,包括两个:1.均值(分布的中心) 2.协方差矩阵(分布的不确定程度) -
优化预测值
检测算法给出的检测结果是观测值. 我们认为检测算法是有误差的(不管是来自传感器本身还是算法本身),并且我们认为其分布是一个高斯分布.(构成这个高斯分布的噪声矩阵就是要调参的内容) 那么我们叠加这个高斯分布和上一步中计算出来的高斯分布,得到一个新的高斯分布,作为我们认为的当前的优化后的高斯分布.
不断重复上述过程,得到越来越优化的接近"真实目标属性分布"的分布.
存在的问题:
- 运动学模型建立要准确
- 观测值(也就是检测算法给出的结果) 其误差是不是真的符合高斯分布? 调参的方向是什么
作者:sdu20112013
如果您觉得阅读本文对您有帮助,请点一下“推荐”按钮,您的“推荐”将是我最大的写作动力!欢迎转载,转载请注明出处.
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 10年+ .NET Coder 心语,封装的思维:从隐藏、稳定开始理解其本质意义
· .NET Core 中如何实现缓存的预热?
· 从 HTTP 原因短语缺失研究 HTTP/2 和 HTTP/3 的设计差异
· AI与.NET技术实操系列:向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· 10年+ .NET Coder 心语 ── 封装的思维:从隐藏、稳定开始理解其本质意义
· 地球OL攻略 —— 某应届生求职总结
· 提示词工程——AI应用必不可少的技术
· Open-Sora 2.0 重磅开源!
· 周边上新:园子的第一款马克杯温暖上架