我第一次实现卡尔曼滤波器以从源获取电压值。它工作并稳定在源电压值，但如果源改变电压，则滤波器不会适应新值。

我使用 3 个步骤：

1. 获得卡尔曼增益

   /li>

2. 获取当前估计

   /li>

3. 计算估计误差

   /li>

问题是，随着 0 <= KG <= 1，Error_in_estimate 越来越小，这使得 KG 越来越小（error_in_measurement是一个常数），所以最后的估计只取决于之前的估计和当前的估计测量不考虑。

这可以防止过滤器自己适应测量变化。

我该怎么做才能做到这一点？

谢谢

编辑：

回复克拉斯：

我不确定卡尔曼滤波器对我的问题是否有效，因为我没有系统模型，我只是从一个相当嘈杂的传感器中获得了一堆读数，测量一个不太可预测的变量。

为简单起见，假设读取用户更改的电位器（可变电阻器），您无法预测或模拟用户的行为。

我已经实现了一个非常基本的 SMA（简单移动平均线）算法，我想知道是否有更好的方法来做到这一点。

卡尔曼滤波器对这样的问题有效吗？

如果没有，你有什么建议？

第二次编辑

感谢 Claes 提供如此有用的信息

我一直在 MathLab 中进行一些数值测试（还没有实际数据），并且使用高斯滤波器进行卷积似乎给出了最准确的结果。

使用卡尔曼滤波器，我不知道如何估计过程和测量方差，有什么方法吗？只有当我减少了相当多的测量方差时，卡尔曼滤波器似乎才能适应。在上一张图片中，测量方差为 R=0.1^2（原始示例中的那个）。这是 R=0.01^2 的相同测试

当然，这些是没有真实数据的 MathLab 测试。明天我将尝试用真实数据在真实系统中实现这个过滤器，看看我是否能得到类似的结果

我想使用卡尔曼滤波器来拟合我的数据并进行预测。我的数据包含控制变量，因此例如它可能如下所示：

U控制变量在哪里，并且X是 3 个连续时间戳的观察值。我想将过滤器参数拟合到这些数据，然后预测下一个观察结果（我也有控制变量）。

我尝试使用pykalmanpackage。它有一个适合过滤器参数的 em 函数，但它似乎不包括控制变量作为可能的输入（除非我遗漏了什么？）

我尝试的另一个选项是filterpy.kalman.KalmanFilter。它确实允许输入控制变量，但我不明白如何使用这个包来估计过滤器的参数。这些软件包中的任何一个都可以完成这项工作，或者如果没有，是否还有其他可能有用的软件包？

我正在尝试使用 pykalman 的 AdditiveUnscentedKalman 过滤器。我得到了嘈杂的 x,y 值，我试图将 x,y,xdot,ydot 从过滤器中取出。

我正在从过滤器中获取值，但这不是我所期望的。State: [[ 481.65737052 477.23904382 0. 0. ] [ 659.29999618 659.28265402 58.33365188 59.77883149]] Obs: [478, 660, -0.4666666666666667, -0.36666666666666664, -2.4756234162106834, 1.2145259141964182]

obs[0] 和 obs[1] 是测量的 xy，而 state 是从过滤器中出来的。state[0][0] 和 state[1][0] 看起来是 x,y，而 state[0][1] 和 state[1][1] 似乎是 x,y。我不知道其他数字应该是什么，因为它们是不可接受的速度。

如果有人可以验证我正在使用正确的转换功能，那将不胜感激。

我很困惑，因为 .filter 调用的输出是一个 2X4 的矩阵，我希望它是一个 1X4。

我正在尝试使用卡尔曼滤波器来估计参数，使用 PyKalman，我遇到了转换矩阵估计的问题。它总是返回 1.0。看这个简单的例子：

观察结果与潜在状态变量相同，如观察矩阵所示，噪声协方差均为 0。同样，状态变量每次迭代都简单地乘以 alpha，但模型适合 alpha 的 1.0。这里会发生什么？我能够在其他示例中拟合协方差，只有转换矩阵无法拟合。

下午好！

我有一个使用 Pykalman ( https://pykalman.github.io/ ) 在 Python 中创建的代码，我没有为卡尔曼滤波器指定任何参数，只是我观察的维数。初始值自动初始化（例如转换矩阵的恒等式），然后使用 EM 算法优化卡尔曼滤波器的参数。完成后，我们最终计算过滤器预测的值。

我很难对 R 做同样的事情。我使用“dle”包（https://cran.r-project.org/web/packages/dlmodeler/dlmodeler.pdf）。然后我启动我的模型并使用拟合（带有 84 列和 2 行的 ya 矩阵）：

然后我得到这个错误：

dlmodeler.build.function(model) 中的错误：尚未实现多变量案例

你有什么想法，这不起作用，我应该在我的方法中修改什么？

谢谢。

我正在尝试使用 实现卡尔曼滤波器的简单应用程序Pykalman，但我在Pykalman软件包附带的 EM 算法的估计步骤上遇到错误。

它是基于模拟数据的具有时变系数的简单线性回归。下面的代码模拟数据并启动卡尔曼滤波器，但是当我尝试根据观察估计参数时，使用kf.em(Data)，它返回错误：ValueError: object arrays are not supported。

我做错了pykalman什么吗？

型号和完整代码如下。错误发生在代码的最后一行。

模型（小图）

问题描述

模型的状态空间表示

完整代码

In the documentation of Pykalman it says that it only accepts square matrices for the observation_matrices and transition_matrices arguments.

Is there a way around this? I have to estimate a state-space system with a non-square observation matrix. Using the Pykalman notation, its dimensions would be [n_dim_obs, n_dim_state].

I could not find any other kalman filter library that accepts non-square observation matrices and has a loglikelihood method.

这是我在 Stackoverflow 上的第一个问题，如果我用词不当，我深表歉意。我正在编写代码以从 IMU 获取原始加速度数据，然后将其集成以更新对象的位置。目前，此代码每毫秒读取一个新的加速度计，并使用它来更新位置。我的系统有很多噪音，即使使用我实施的 ZUPT 方案，也会由于复合错误导致疯狂的读数。我知道卡尔曼滤波器理论上是这种情况的理想选择，我想使用 pykalman 模块而不是自己构建一个。

我的第一个问题是，pykalman 可以这样实时使用吗？从文档来看，在我看来，您必须记录所有测量结果，然后执行平滑操作，这不切实际，因为我想每毫秒递归过滤一次。

我的第二个问题是，对于转换矩阵，我只能将 pykalman 应用到加速度数据本身，还是可以以某种方式将双重积分包含到位置？那个矩阵会是什么样子？

如果 pykalman 在这种情况下不实用，还有其他方法可以实现卡尔曼滤波器吗？先感谢您！

Y考虑关于的线性回归X，其中(xi, yi) = (2, 7), (0, 2), (5, 14) for i = 1, 2, 3。解决方案是(a, b) = (2.395, 2.079)，使用手持计算器上的回归函数获得。

我想使用该pykalman模块计算线性拟合的斜率和截距。我越来越

如果有人能帮助我，我将不胜感激。

这是我的代码：

我有一些数据表示从两个不同传感器测量的物体的位置。所以，我需要做传感器融合。更困难的问题是来自每个传感器的数据基本上是随机到达的。我想使用 pykalman 来融合和平滑数据。pykalman 如何处理可变时间戳数据？

数据的简化示例如下所示：

和这个：

对于传感器融合问题，我认为我可以重塑数据，以便我的位置 X1、Y1、X2、Y2 有一堆缺失值，而不仅仅是 X、Y。（这是相关的： https ://stackoverflow.com/questions/47386426/2-sensor-readings-fusion-yaw-pitch ）

那么我的数据可能如下所示：

pykalman 的文档表明它可以处理丢失的数据，但这是正确的吗？

但是，pykalman 的文档并不清楚可变时间问题。文档只是说：

“卡尔曼滤波器和卡尔曼平滑器都能够使用随时间变化的参数。为了使用它，只需沿其第一个轴传入长度为 n_timesteps 的数组：”

我找不到任何使用具有可变时间步长的 pykalman Smoother 的示例。因此，任何使用我上述数据的指导、示例甚至示例都会非常有帮助。我没有必要使用 pykalman，但它似乎是一个有用的工具来平滑这些数据。

*****在@Anton 下面添加了其他代码我制作了一个使用平滑功能的有用代码版本。奇怪的是，它似乎以相同的权重对待每一次观察，并且轨迹贯穿每一次。即使，如果传感器方差值之间存在很大差异。我预计在 5.4、5.0 点附近，过滤后的轨迹应该更接近传感器 1 点，因为该点的方差较小。相反，轨迹准确地到达每个点，并大转弯到达那里。