我开始在Jupyter笔记本上使用python,因此出于学习目的,我在下面的YouTube tutorial中实现了卡尔曼滤波器。我首先对静态数据使用Kalman滤波器,我想它正在工作,所以我尝试扩展代码,在鼠标坐标上应用滤波器,但它的行为非常奇怪。有人能帮我修理吗
我希望有this kind of result,但我得到了类似截图的东西
这是代码-
import numpy as np
import pandas as pd
from tkinter import *
### True Value: What should be the actual value if there was no error in measurements
### Estimates : It is the predicted value.
#### Error in Estimate: Error in the predicted value
### Measurements : It is the actual value measured with sensor
#### Error in Measurements: Error in the measured value
#### initializing variables
true_x,true_y = 0,0 # True Mouse location
Est_x,Est_y = 0,0 # Initial Estimate
Err_est_x,Err_est_y = 5,5 # Error in Initial Estimate
M_x,M_y = 0,0 # Initial Measurements
Err_msr_x,Err_msr_y = 5,5 # Error in Initial Measurements
kg_x,kg_y = 0,0 # Kalman Gain
def getKG(Err_est, Err_msr):
return Err_est/(Err_est+Err_msr)
def getEst(EST_prev, kg, Msr):
return EST_prev+kg*(Msr-EST_prev)
def getE_est(kg, Err_est):
return (1-kg)*Err_est
def updateKal(val, kg, Est, Err_est, Err_msr):
kg = getKG(Err_est, Err_msr)
Est = getEst(Est, kg, val)
Err_est = getE_est(kg, Err_est)
return kg, Est, Err_est
kg_x,Est_x,Err_est_x = updateKal(true_x,kg_x,Est_x,Err_est_x,Err_msr_x)
kg_y,Est_y,Err_est_y = updateKal(true_y,kg_y,Est_y,Err_est_y,Err_msr_y)
def activate_paint(e):
global lastx, lasty
global true_x, true_y
cv.bind('<B1-Motion>', paint)
lastx, lasty = e.x, e.y
true_x, true_y = e.x, e.y
Est_x, Est_y = e.x, e.y
def paint(e):
global lastx, lasty
global true_x, true_y
global kg_x, Est_x, Err_est_x
global kg_y, Est_y, Err_est_y
global firstval
x, y = e.x, e.y
kg_x, Est_x, Err_est_x = updateKal(x, kg_x, Est_x, Err_est_x, 0.5)
kg_y, Est_y, Err_est_y = updateKal(y, kg_y, Est_y, Err_est_y, 0.5)
cv.create_line((lastx, lasty, x, y), fill='blue',width=1)
cv.create_line((true_x,true_y, Est_x, Est_y), fill='green',width=2)
lastx, lasty = x, y
true_x, true_y = Est_x, Est_y
root = Tk()
lastx, lasty = None, None
cv = Canvas(root, width=640, height=480, bg='white')
cv.bind('<1>', activate_paint)
cv.pack(expand=YES, fill=BOTH)
root.mainloop()
红色是Kalman,蓝色是实际值
我没有运行你的代码,但是你的变量
Err_est_x
和Err_est_y
只是变小了?每次调用updateCall
后,必须增加这些变量,如下所示:说明:如果您的估计误差较低,则新噪声测量的信息也较低[1]。 这在你的想象中也是可见的:最初,红色卡尔曼估计“非常快”,因为你的估计误差很大。但是当你的估计误差变小时,你的红色kalman估计就“完成了”
请注意,我没有运行您的代码,因此选择的值(1.1和0.1)可能太高或太小。增加/减少两个数字以增加/减少红色卡尔曼估计值的“速度”
[1]例如,如果估计误差为0,则新测量的信息增益也为0
我认为您缺少的是一个过程模型。如果您正在测量一个静态参数,那么像这样的策略是有效的,但是如果您正在跟踪的状态本身正在变化,就像这里一样,那么您需要一个考虑这些变化的流程模型。您将在每个更新步骤之前执行流程模型估计步骤
这种情况下的过程模型将涉及一些基本的牛顿物理学。我建议扩展你正在跟踪的状态(x和y),包括速度(vx,vy)和加速度(ax,ay)。因此,您的状态向量不是[xy]T,而是x=[xy vx vy ax ay]T。(你可以根据每个时间步的运动量来推导速度,你可以尝试从几个时间步的运动中推导出真实的加速度,或者假设一个合理的加速度就足够了,因为在这种情况下真实的加速度很可能是不稳定的,并且不容易建模。)您还需要一个过程矩阵F,该矩阵将X转换为测量向量Z(即[xy]T,即您正在进行的模糊测量)。在这种情况下,F将是一个2x6矩阵
相关问题 更多 >
编程相关推荐