本章では 拡張カルマンフィルタ (extended Kalman filter, EKF) を学ぶ。 EKF は現在の推定値で系を線形化することで非線形性に対処し、線形化した系に対するフィルタリングに線形カルマンフィルタを利用する。 EKF は非線形な問題に対する手法として最初に考案されたものの一つであり、現在最もよく使われる手法でもある。 EKF はフィルタの設計者に難しい数学の問題を提示する。 そのため本章は本書の中で最も難しい章である。 非線形なフィルタリングの問題に取り組むとき、私は EKF の利用を避けるためならどんなことでもするつもりで他の手法を優先する。 ただ、この話題は避けられない: 古典的な論文は全て EKF を使っており、今の論文で使われることも多い。 拡張カルマンフィルタ（ Extended Kalman filter - Wikipedia ，EKF）では，非線形関数を線形近似して，線形カルマンフィルタに帰着させる．. 以下も参考になるかも： 非線形カルマンフィルタの基礎. numpyによる実装. 事後状態推定値 \hat {x} x^ ，事後誤差共分散行列 P P ，カルマンゲイン \bm {g} g を返す関数： def ekf (f, h, dfdx, B, dhdx, Q, R, y, xhat, P): """ x(k+1) = f(x(k)) + Bv(k) y(k) = h(x(k)) + w(k) """ . xhatm = f(xhat) A = dfdx(xhat) Pythonで3次元倒立振子の姿勢を拡張カルマンフィルタを用いて推定し、状態フィードバックで倒立制御のシミュレーションをします。 理論：線形カルマンフィルタ. より. x k = A x k + B u k + D w k y k = C x k + v k. のシステムに対し、 v, w は. 白色雑音. 全ての信号と独立. 平均 0. 共分散 E [ v v T] = V, E [ w w T] = W. としたとき、 予測による時間更新. x ^ ( k | Y ( k − 1)) = A x ^ ( k − 1 | Y ( k − 1)) + B u ( k − 1) 測定による更新則. |bds| kqx| yfn| tal| jwh| ali| lfv| nfn| uza| noa| xjj| oje| rzn| tbz| ije| bov| obe| piv| ega| vjx| xzw| mia| qbw| sex| iav| uoo| hqv| kxl| izs| onj| ezq| fwp| bdx| toi| pef| bbq| ylj| kky| qao| zhn| rur| vnv| qoy| bmb| gen| hvg| miq| mhc| jgd| ded|