훌륭한 기사 나는 칼만 필터링의 주제에 대해 읽은 적이 있다. 감사!!! 이러한 종류의 관계는 우리에게 더 많은 정보를 제공하기 때문에 추적하는 것이 정말 중요합니다: 하나의 측정은 다른 사람들이 될 수 있는 것에 대해 우리에게 뭔가를 알려줍니다. 이것이 Kalman 필터의 목표이며, 불확실한 측정에서 가능한 한 많은 정보를 짜내고 싶습니다! 전술한 재귀 베이지안 해석과 관련하여, 칼만 필터는 생성 모델, 즉 임의 관측값 z=(z0, z1, z2, …)의 스트림을 생성하는 과정으로 볼 수 있다. 구체적으로, 그 과정은 «교훈에 의한 학습의 길은 길고, 예를 들어 짧고 효과적입니다.» 그래. 나는 전체 기사를 읽고, 마지막으로, 나는이 필터를 완벽하게 이해하고 성공적으로 내 연구에 적용했다. 정말 고마워요 팀! Kalman 필터는 다중 센서 데이터를 병합하는 데 매우 유용한 수학적 도구입니다. 필터의 작동 방식을 이해하기 위한 매우 간단한 예제를 살펴보겠습니다. 벽 앞에서 한 방향으로 움직이는 로봇을 생각해 봅시다. 로봇에 속도 측정 센서와 거리 측정 센서(범위 파인더)라는 두 개의 센서가 장착되어 있다고 가정합니다. 두 센서가 모두 시음이 많다는 것을 다음에서 살펴보겠습니다. 모든 자동차가 인터넷에 연결되어 있다고 가정합니다. 나는 그들이 아마 다음에 가는 자동차의 무리의 움직임을 예측하기 위해 노력하고 있습니다, 말 15 분. 당신은 서로 가까운 4 지역 A, B, C, D (반경의 5-10km)처럼 가정 할 수 있습니다.

칼만 필터를 사용하여 예측하고 말할 수 있는 방법은 많은 수의 자동차가 A에서 B로 이동했습니다. Kalman 필터가 좋은 한 가지는 센서 노이즈를 처리하는 것입니다. 즉, 센서는 적어도 다소 신뢰할 수 없으며 원래 추정치의 모든 상태는 다양한 센서 판독값을 초래할 수 있습니다. 그러나 우리가 모르는 힘은 어떨까요? 예를 들어 쿼드콥터를 추적하는 경우 바람에 의해 휘어질 수 있습니다. 바퀴가 달린 로봇을 추적하면 바퀴가 미끄러지거나 지면에 부딪히면 속도가 느려질 수 있습니다. 우리는 이러한 것들을 추적 할 수 없으며, 이런 일이 발생하면 그 여분의 힘을 고려하지 않았기 때문에 우리의 예측이 꺼질 수 있습니다. Kalman 필터는 일련의 시끄러운 측정에서 선형 동적 시스템의 내부 상태를 추정하는 효율적인 재귀 필터입니다. 레이더 및 컴퓨터 비전부터 구조적 거시 경제 모델의 추정에 이르기까지 광범위한 엔지니어링 및 계량 경제학 애플리케이션에 사용되며[13][14] 제어 이론 및 제어 시스템 엔지니어링에서 중요한 주제입니다. 칼만 필터는 선형 이차 조절기(LQR)와 함께 선형-이차-가우시안 제어 문제(LQG)를 해결합니다. Kalman 필터, 선형 이차 조절기 및 선형-이차-가우시안 컨트롤러는 제어 이론에서 가장 근본적인 문제에 대한 해결책입니다. 이것은 소위 칼만 이득을 결정합니다.

판독값 또는 시스템 역학이 더 익숙해져야 하는지 여부를 명시합니다. 의심할 여지없이 칼만 필터에 대한 가장 좋은 설명은 내가 우연히 만났습니다! DSP에서 학습 자료는 수학으로 시작하여 문제를 완전히 파악하는 데 필요한 문제에 대한 직관적인 이해를 제공하지 않습니다.