卡尔曼滤波 参数

扩展卡尔曼滤波 调参

扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种常用于非线性系统状态估计的滤波算法。它是卡尔曼滤波（Kalman Filter，KF）的一种扩展形式，通过在线性化非线性系统来近似估计系统的状态。本文将重点介绍EKF的调参方法，以帮助读者更好地应用这一滤波算法。

要调参EKF，首先需要了解EKF的基本原理和算法流程。EKF通过在每个时间步中使用线性化的动力学方程和观测方程，以及通过卡尔曼增益来更新状态估计。在实际应用中，EKF的性能很大程度上取决于系统模型的准确性和观测数据的质量。

在调参EKF时，下面几个关键参数需要特别关注：

1. 系统动力学模型：EKF需要准确的系统动力学模型来进行状态预测。如果系统模型不准确，将会导致状态估计的偏差。因此，在调参EKF时，需要特别关注系统模型的准确性，并根据实际情况进行修正和优化。

2. 过程噪声协方差矩阵（Q）：过程噪声协方差矩阵描述了系统动力学方程中的噪声。通过调整Q矩阵的值，可以控制状态预测的不确定性。一般情况下，Q矩阵的值越大，状态预测的不确定性就越大。因此，在调参EKF时，需要根据实际情况调整Q矩阵的值，以平衡状态预测的准确性和稳定性。

3. 观测噪声协方差矩阵（R）：观测噪声协方差矩阵描述了观测方程中的噪声。通过调整R矩阵的值，可以控制观测数据的权重。一般情况下，R矩阵的值越大，观测数据的权重就越小。因此，在调参EKF时，需要根据实际情况调整R矩阵的值，以平衡观测数据的准确性和稳定性。

4. 初始状态估计和协方差矩阵：EKF需要一个初始的状态估计和协方差矩阵作为起点。初始状态估计应尽可能接近真实状态，而初始协方差矩阵应尽可能准确地描述状态的不确定性。在调参EKF时，需要根据实际情况调整初始状态估计和协方差矩阵的值，以提高状态估计的准确性和稳定性。

除了以上几个关键参数外，还有其他一些辅助参数可以辅助调参EKF，如收敛判断条件、迭代次数等。这些参数通常与具体的应用场景相关，在实际调参过程中需要根据实际情况进行选择和调整。

第 1 页 共 2 页 卡尔曼滤波的r、q参数

（最新版）

目录

1.卡尔曼滤波简介

2.卡尔曼滤波中的 r、q 参数含义

3.r、q 参数对卡尔曼滤波效果的影响

4.如何设置 r、q 参数

5.实际应用案例及注意事项

正文

一、卡尔曼滤波简介

卡尔曼滤波（Kalman filter）是一种线性最优递归滤波算法，用于估计动态系统的状态变量。它是在维纳滤波（Wiener filter）的基础上引入了系统模型信息，从而提高了滤波效果的一种滤波方法。卡尔曼滤波广泛应用于导航定位、机器人控制、自动驾驶等领域。

二、卡尔曼滤波中的 r、q 参数含义

在卡尔曼滤波中，有两个重要的参数：r 和 q。它们分别表示状态变量的协方差矩阵 R 和系统噪声矩阵 Q。其中，

- R（State Covariance Matrix）表示系统状态变量的不确定性，是由系统自身的噪声引起的。它包含了状态变量的方差信息，用于描述状态变量之间的相关性。

- Q（System Noise Covariance Matrix）表示系统噪声的影响，是由外部环境因素引起的。它包含了噪声的方差信息，用于描述噪声之间的相关性。

三、r、q 参数对卡尔曼滤波效果的影响 第 2 页 共 2 页 r 和 q 参数对卡尔曼滤波效果具有重要影响。它们分别决定了状态变量的不确定性和系统噪声的影响程度。具体来说：

- r 参数越小，表示状态变量的不确定性越小，滤波器对状态变量的估计越精确。然而，r 参数过小可能导致滤波器过于敏感，对噪声过度响应，从而降低滤波效果。

- q 参数越小，表示系统噪声的影响越小，滤波器对噪声的抑制能力越强。然而，q 参数过小可能导致滤波器对系统噪声的估计不足，从而降低滤波效果。

四、如何设置 r、q 参数

在实际应用中，r、q 参数的设置需要根据具体情况进行调整。一般可以通过以下方法进行设置：

1.根据实际系统的噪声特性和测量误差，估计状态变量的协方差矩阵

卡尔曼滤波

1.背景

1960年，卡尔曼发表了他著名的用递归方法解决离散数据线性滤波问题的论文。从那以后，得益于数字计算技术的进步，卡尔曼滤波器已成为推广研究和应用的主题，尤其是在自主或协助导航领域。卡尔曼滤波器由一系列递归数学公式描述。它们提供了一种高效可计算的方法来估计过程的状态，并使估计均方误差最小。卡尔曼滤波器应用广泛且功能强大：它可以估计信号的过去和当前状态，甚至能估计将来的状态，即使并不知道模型的确切性质。

2.离散卡尔曼滤波

被估计的过程信

卡尔曼滤波器用于估计离散时间过程的状态变量𝑥。这个离散时间过程由以下离散随机差分方程描述：

𝑥𝑘=𝐴𝑥𝑘−1+𝐵𝑢𝑘−1+𝑤𝑘−1(1.1)

定义观测变量z, 得到量测方程：

𝑧𝑘=𝐻𝑥𝑘+𝑣𝑘(1.2)

随机信号𝑤𝑘和𝑣𝑘分别表示过程激励噪声和观测噪声。假设它们为相互独立，正态分布的白色噪声：

𝑝(w)~N(0,𝑄)(1.3)

𝑝(v)~N(0,𝑅)(1.4)

实际系统中， 过程激励噪声协方差矩阵𝑄和观测噪声协方差矩阵𝑅可能会随每次迭代计算而变化。但在这儿我们假设它们是常数。

当控制函数𝑢𝑘−1或过程激励噪声𝑤𝑘−1为零时，差分方程1.1中的 n × n阶增益矩阵A将过去𝑘−1时刻状态和现在的𝑘时刻状态联系起来。实际中A可能随时间变化，但在这儿假设为常数。n×l阶矩阵B代表可选的控制输入𝑢的增益。量测方程1.2中的m×n阶矩阵H表示状态变量𝑥𝑘对测量变量𝑧𝑘的增益。实际中H可能随时间变化，但在这儿假设为常数。

定义 𝑥̂𝑘−∈R（−代表先验，ˆ代表估计）为在已知第𝑘步以前状态情况下第𝑘步的先验状态估计。定义𝑥̂𝑘∈R为已知测量变量𝑧𝑘时第𝑘步的后验状态估计。由此定义先验估计误差和后验估计误差：

e𝑘−≡𝑥𝑘−𝑥̂𝑘−

𝑒𝑘≡𝑥𝑘−𝑥̂𝑘

EKF2（扩展卡尔曼滤波器）的参数包括：

* EKF2_AID_MASK：控制数据融合和辅助方法（定位数据来源）。单位：无，默认值：1，最小值：0，最大值：511。备注：bit0 - 使用GPS，bit1 - 使用光流，bit2 - 禁止IMU偏差估计，bit3 - 视觉位置融合，bit4 - 视觉偏航融合，bit5 - multi-rotor drag fusion，bit6 - rotate external vision，bit7 - GPS偏航融合，bit8 - 视觉速度融合。

* EKF2_HGT_MODE：确认EKF使用的高度数据的主要来源。单位：无，默认值：0，最小值：无，最大值：无。备注：0 - 气压计，1 - GPS，2 - 距离传感器，3 - 视觉。

* EKF2_EV_DELAY：相对于IMU的延迟时间。单位：秒，默认值：0.00175（即5ms），最小值：0.0001（即0.1ms），最大值：0.1。

此外，EKF2中还有一类参数是 GATE，当测量值在 VAR ± GATE

范围内才会更新值。在高度估计方面，有多种方法可以获取高度信息，包括气压计、GPS、Range Finder和Vision等。EKF2在初始化时，会初始化Terrain Estimator来估计地形高度（terrain_vpos），之后的高度估计会修正地形的影响。

以上信息仅供参考，具体参数可能会因不同的应用场景和模型版本而有所差异。建议查阅相关文档或咨询专业人士以获取详细和最新的参数信息。