理解卡尔曼滤波器

发现您可以使用卡尔曼滤波器的真实世界的情况。卡尔曼滤波器常用于在存在不确定和间接测量的情况下最优估计系统的内部状态。通过观看下面的介绍性示例来学习卡尔曼滤波器的工作原理。

您将探索卡尔曼滤波器通常使用的情况。当系统的状态只能间接测量时，可以使用卡尔曼滤波器来最优估计系统的状态。当来自不同传感器的测量数据可用，但受噪声影响时，可以使用卡尔曼滤波器合并来自不同来源的传感器数据(称为传感器融合)，以找到感兴趣的参数的最佳估计。

您还将通过一些包含简单数学运算的示例来了解状态观察器。这将帮助你理解什么是卡尔曼滤波器以及它是如何工作的。在高水平上，卡尔曼滤波器是一种最优状态估计器。视频还包括非线性状态估计器的讨论，如扩展和无迹卡尔曼滤波器。

最后，举例说明如何利用卡尔曼滤波器，MATLAB估计线性系统的状态^®和仿真软件金宝app^®．

第1部分:为什么使用卡尔曼滤波器?通过一些例子来发现卡尔曼滤波器的常用用法。卡尔曼滤波器是一种用于从间接和不确定的测量数据中估计系统状态的最优估计算法。

第二部分:国家观察员学习状态观察者的工作原理，并发现其背后的数学原理。当你不能直接测量系统的内部状态时，状态观察者被用来估计系统的内部状态。

第3部分:最优状态估计了解卡尔曼滤波器的工作原理。卡尔曼滤波器结合两个信息源，预测状态和噪声测量，以产生最优的无偏状态估计。

第4部分:最优状态估计算法找出实现卡尔曼滤波算法所需的方程组。

第5部分:非线性状态估计这个视频解释了非线性状态估计器背后的基本概念，包括扩展卡尔曼滤波器、无迹卡尔曼滤波器和粒子滤波器。

第6部分:如何在Simulink中使用卡尔曼滤波器金宝app利用Simulink中的卡尔曼滤波器估计单摆系统的角位置。金宝app您将学习如何配置卡尔曼滤波块参数，如系统模型、初始状态估计和噪声特性。

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