matlab - 请解释一下本教程中卡尔曼滤波器的用途

Question

一个人发布了这个关于使用卡尔曼滤波器进行对象跟踪的教程。许多人评价高星，所以这不是一个错误/错误的教程。

然而，一个家伙发布了以下问题：“在这段代码中，你已经在每一帧中进行了检测，并且这个输出作为卡尔曼滤波器的输入提供。所以背景减法和卡尔曼滤波器会给出相似的结果。所以请你解释一下这里使用卡尔曼滤波器。”

我和他有同样的想法。有人可以在这里解释卡尔曼滤波器的使用吗？

Answer 1

带有背景减法的简单检测将在每个采样周期中给出结果，但是结果将是嘈杂的（由于测量噪声和可能的量化）并且检测错误将产生巨大的影响。

如果你想观察一个物体，你通常会知道它是如何运动的。它不会从一个位置跳到下一个位置，而是以连续的方式移动到那里。卡尔曼滤波器结合了简单检测算法的测量值，并将它们与您对对象（位置不能跳跃）的模型知识相结合，因此它过滤测量值并考虑测量的历史。考虑线性系统，您可以证明卡尔曼滤波器是考虑系统测量噪声的数据过滤的最佳方式。

编辑：在本教程中，卡尔曼滤波器显然用于预测下一步球的位置。在向下运动中，这非常有效。由于过滤器对地板一无所知，所以当球落地时，预测当然是错误的。在向上运动期间，预测仍然存在这个错误。

Answer 2

卡尔曼的直观概述基于最小均方原理。它计算与卡尔曼增益相关的 2 个参数。你可以这样想——有2个参数，1个用于观察，另一个用于预测，即。如果“猜测”是正确的，这两个参数将给予更多的权重来信任观察到的数据，而对预测数据给予更少的权重，反之亦然，以适应下一轮。如果不是，该误差将影响增益进行相应调整。因此，卡尔曼滤波器和维纳一样，被称为“自适应”。