自动控制 / 系统课时

卡尔曼增益如何权衡两种信息

卡尔曼增益如何权衡两种信息

预测位置为10米、传感器读到12米时,不能仅凭差值决定该相信谁。本文把预测误差与测量噪声写成方差,推导使均方误差最小的卡尔曼增益,再用可运行示例验证不同噪声条件下的融合结果。

学习目标

  • 推导直接测量位置时的增益 K=P−/(P−+R)K=P^-/(P^-+R)。
  • 用具体方差计算预测权重、测量权重与融合位置。
  • 识别方差误填,以及把多维增益当作百分比的错误。

把预测和测量放在同一尺度

只考察同一采样时刻的一维位置。用 xx 表示未知真实位置,x^−\hat{x}^- 表示收到当前读数前的预测,x^+\hat{x}^+ 表示更新后的估计。上标减号、加号表示更新前后,不代表数值正负。

传感器直接测量位置,即观测矩阵 H=1H=1,测量模型为 z=x+vz=x+v,其中 vv 是测量噪声。设本次输入如下;P−P^- 描述预测误差,RR 描述传感器噪声,两者都是方差。

信息来源 本次数值 误差方差 对应标准差
模型预测 x^−=10 m\hat{x}^-=10\,\mathrm{m} P−=4 m2P^-=4\,\mathrm{m^2} 2 m2\,\mathrm{m}
位置测量 z=12 mz=12\,\mathrm{m} R=1 m2R=1\,\mathrm{m^2} 1 m1\,\mathrm{m}

用测量与预测的差,也就是残差,修正预测:

x^+=x^−+K(z−x^−)=(1−K)x^−+Kz\hat{x}^+=\hat{x}^-+K(z-\hat{x}^-)=(1-K)\hat{x}^-+Kz

这里残差为 2 m2\,\mathrm{m}。在 H=1H=1 的标量情形下,KK 是测量权重,1−K1-K 是预测权重;增益决定向测量值靠近多少。genui{"citation":{"ref":"turn1search3"}}

从最小均方误差求出增益

定义预测误差 e−=x^−−xe^-=\hat{x}^--x。假设 e−e^- 与 vv 都是零均值、互不相关,方差分别为 P−P^- 与 RR。由更新式减去真实位置,可得更新后的误差:

e+=(1−K)e−+Kve^+=(1-K)e^-+Kv

互不相关使交叉项的期望为零,因此任意候选增益对应的均方误差为:

J(K)=E[(e+)2]=(1−K)2P−+K2RJ(K)=\mathbb{E}[(e^+)^2]=(1-K)^2P^-+K^2R

把两种方差视为已知,对 KK 求导并令导数等于零:

J′(K)=−2(1−K)P−+2KR=0J'(K)=-2(1-K)P^-+2KR=0

解得卡尔曼增益:

K=P−P−+RK=\frac{P^-}{P^-+R}

只要 P−+R>0P^-+R>0,二阶导数 J′′(K)=2(P−+R)>0J''(K)=2(P^-+R)>0,这就是唯一最小值。代回后得到 P+=P−R/(P−+R)P^+=P^-R/(P^-+R);两种方差都为正时,融合误差方差小于其中任何一种。

本例得到 K=4/5=0.8K=4/5=0.8,于是 x^+=10+0.8×2=11.6 m\hat{x}^+=10+0.8\times2=11.6\,\mathrm{m},P+=0.8 m2P^+=0.8\,\mathrm{m^2}。直接平均相当于 K=0.5K=0.5,其均方误差为 0.25×4+0.25×1=1.25 m20.25\times4+0.25\times1=1.25\,\mathrm{m^2},高于最优选择。

这里的最优性针对上述线性无偏融合,不要求高斯分布,也不保证每一次更新都更接近未知真值。若还满足独立高斯条件,融合结果可进一步解释为精确的高斯后验。

噪声变化怎样移动融合结果

保持预测位置、测量值和 P−=4 m2P^-=4\,\mathrm{m^2} 不变,只把 RR 依次设为 11、44、16 m216\,\mathrm{m^2}。增益依次为 0.80.8、0.50.5、0.20.2,融合位置依次为 11.611.6、11.011.0、10.4 m10.4\,\mathrm{m}。测量越不确定,本次修正越小。

测量方差改变权重,融合位置在预测与测量之间移动

反过来,固定 R=4 m2R=4\,\mathrm{m^2},把预测方差从 44 增至 16 m216\,\mathrm{m^2},增益就从 0.50.5 增至 0.80.8。这表示预测更不可靠,应让同一条测量承担更大的修正权重。

运行一次噪声对照实验

以下代码适用于 Python 3.8 及以上,仅使用标准库,在 Python 编辑器中运行完整代码即可。四组参数各做一次独立更新;位置单位为米,方差单位为平方米。函数也拒绝非有限输入、负方差与总方差为零的情况。

python
from math import isfinite

def update_position(x_pred, p_pred, z, r):
    # 方差必须有限且非负,总方差为零时不能做除法。
    if not all(isfinite(value) for value in (x_pred, p_pred, z, r)):
        raise ValueError('inputs must be finite')
    if p_pred < 0 or r < 0 or p_pred + r <= 0:
        raise ValueError('invalid variances')
    gain = p_pred / (p_pred + r)
    x_post = x_pred + gain * (z - x_pred)
    # 保留两项误差贡献,对应推导中的均方误差。
    p_post = (1 - gain) ** 2 * p_pred + gain ** 2 * r
    return gain, x_post, p_post

def main():
    x_pred, z = 10.0, 12.0
    # 每组均从相同的预测和测量开始,不是连续四次更新。
    cases = [(4.0, 1.0), (4.0, 4.0), (4.0, 16.0), (16.0, 4.0)]
    print('P_pred R K x_post P_post')
    for p_pred, r in cases:
        gain, x_post, p_post = update_position(x_pred, p_pred, z, r)
        print(f'{p_pred:.1f} {r:.1f} {gain:.2f} {x_post:.2f} {p_post:.2f}')

if __name__ == '__main__':
    main()

预期输出

text
P_pred R K x_post P_post
4.0 1.0 0.80 11.60 0.80
4.0 4.0 0.50 11.00 2.00
4.0 16.0 0.20 10.40 3.20
16.0 4.0 0.80 11.60 3.20

前三行验证测量方差增大时,增益与修正量同时减小。第一、第四行的两种方差都相差4倍,因此增益和融合位置相同,但后验方差相差4倍:相同权重不代表相同估计精度。

还可把任一组的测量值改成预测值10,检查结果仍为10,而方差照常缩小;这只在新测量误差与预测误差不相关时成立。每次标量更新的时间和额外空间复杂度均为 O(1)O(1)。

推广到位置与速度时的边界

同时估计位置和速度、只测位置时,P−P^- 是 2×22\times2 矩阵,H=[10]H=\begin{bmatrix}1&0\end{bmatrix}。先计算残差协方差 S=HP−HT+RS=HP^-H^{\mathsf T}+R;当 SS 可逆时,增益为:

K=P−HTS−1K=P^-H^{\mathsf T}S^{-1}

此时 KK 是 2×12\times1 列向量,把一维位置残差映射成位置与速度的两项修正。这一形式来自一般线性卡尔曼更新。genui{"citation":{"ref":"turn3view1"}}

由该式可知,位置与速度的预测误差协方差为零时,这一次位置测量不会直接修正速度。一般增益元素可能带单位,也不保证处于 00 到 11 之间,不能统一读成百分比。

实际计算前,至少检查以下三件事:

  • 填写方差。 传感器标准差为 2 m2\,\mathrm{m} 时,应填 R=4 m2R=4\,\mathrm{m^2},不能填2;一次残差的平方也不能直接当作已知的噪声方差。
  • 使用预测协方差。 对状态空间中直接叠加过程噪声的模型,P−=FPprev+FT+QP^-=FP^+_{\mathrm{prev}}F^{\mathsf T}+Q,其中 FF 是状态转移矩阵,QQ 已是该采样间隔内的状态过程噪声协方差。标量例子若 F=1F=1、上一拍方差为3、Q=1Q=1,本拍应使用 P−=4P^-=4,不能用 Q=1Q=1 代替。genui{"citation":{"ref":"turn3view2"}}
  • 检查误差假设。 同一读数重复更新会重复计算信息;传感器固定偏高 0.5 m0.5\,\mathrm{m} 应先校准,调节 RR 不能使偏差自动消失。

标准线性滤波中的增益由协方差和观测模型决定,不随当前残差大小自动改变。在 P−=4P^-=4、R=1R=1 不变时,即使读数跳到100米,增益仍为0.8。因此,异常读数需要另外检测,不能把卡尔曼增益当作自动拒绝异常值的开关。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

卡尔曼增益如何权衡两种信息

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通