了解卡尔曼过滤器

发现您可以使用卡尔曼过滤器的现实世界情况。卡尔曼滤波器通常用于在存在不确定和间接测量的情况下最佳地估计系统的内部状态。通过观看以下介绍性示例了解卡尔曼过滤器后面的工作原则。

您将探索常用卡尔曼过滤器的情况。当系统状态只能间接测量系统时，您可以使用卡尔曼滤波器来最佳地估计该系统的状态。当来自不同传感器的测量值，但受到噪音，您可以使用卡尔曼滤波器将来自各种源（称为传感器融合）的感官数据组合以找到感兴趣的参数的最佳估计。

您还将通过步行通过包含简单数学的示例来了解州观察员。这将有助于您了解卡尔曼过滤器是什么以及它的工作原理。在高级，卡尔曼滤波器是一种最佳状态估计器。视频还包括对非线性状态估计器的讨论，例如扩展和无名的卡尔曼过滤器。

最后，一个示例演示了如何使用Kalman滤波器，Matlab估算线性系统的状态^®，和模拟金宝app^®。

第1部分：为什么使用卡尔曼过滤器？通过走过一些例子，发现卡尔曼过滤器的常用用途。卡尔曼滤波器是用于从间接和不确定测量的系统估计系统的状态的最佳估计算法。

第2部分：国家观察员了解国家观察员的工作原则，并发现它们背后的数学。当您无法直接测量它们时，州观察员用于估计系统的内部状态。

第3部分：最佳状态估计了解卡尔曼过滤器如何工作。卡尔曼滤波器结合了两个信息来源，预测状态和噪声测量，以产生最佳，无偏的状态估计。

第4部分：最优状态估计算法发现实现Kalman滤波器算法所需的一组方程。

第5部分：非线性状态估计器该视频介绍了非线性状态估计后面的基本概念，包括扩展卡尔曼滤波器，无创的卡尔曼滤波器和粒子过滤器。

第6部分：如何在Simulink中使用Kalman过滤器金宝app在Simulink中使用Kalman滤波器估计简单摆动系统的角度位置。金宝app您将学习如何配置Kalman过滤器块参数，例如系统模型，初始状态估计和噪声特性。

第7部分：如何在Simulink中使用扩展的卡尔曼滤波器金宝app使用扩展卡尔曼滤波器估计非线性摆系统的角度位置。您将学习如何指定扩展的Kalman筛选块参数，例如状态转换和测量函数，并生成C / C ++代码。