理解卡尔曼滤波器

发现可以使用卡尔曼滤波器的真实情况。在存在不确定和间接测量的情况下，卡尔曼滤波常被用来最优估计系统的内部状态。通过观看下面的介绍性示例，了解卡尔曼滤波器背后的工作原理。

您将探索常用卡尔曼滤波器的情况。当一个系统的状态只能间接测量时，您可以使用卡尔曼滤波器来优化估计该系统的状态。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将来自不同来源的感觉数据(称为传感器融合)结合起来，以找到感兴趣参数的最佳估计值。

您还将通过一些包含简单数学运算的示例了解状态观察器。这将帮助你理解什么是卡尔曼滤波以及它是如何工作的。在高层次上，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，如扩展和无气味卡尔曼滤波器。

最后，一个例子演示了如何使用MATLAB中的卡尔曼滤波器估计线性系统的状态^®和仿真软件^®．

第1部分:为什么使用卡尔曼滤波器?通过浏览一些示例来发现卡尔曼过滤器的常用用法。卡尔曼滤波是一种用于从间接和不确定的测量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员的工作原理，并发现其背后的数学原理。当您不能直接度量系统的内部状态时，使用状态观察器来估计它们。

第3部分:最优状态估计器了解卡尔曼滤波器是如何工作的。卡尔曼滤波器结合了两个信息源，预测状态和噪声测量，以产生最佳的，无偏的状态估计。

第4部分:最优状态估计算法发现实现卡尔曼滤波算法所需的方程组集。

第5部分:非线性状态估计器本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，无气味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在Simulink中利用卡尔曼滤波器估计简单摆系统的角位置。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过滤器块参数，如状态转换和测量函数，并生成C/ c++代码。