파이썬 칼만 필터 예제

파이썬 칼만 필터 예제

IPython 생태계 설치에 대한 지침은 설치 부록에서 찾을 수 있습니다. 두 번째 참조는 Kalman 필터의 포괄적인 처리를 제시합니다. 칼만 필터의 작업은 분포를 히스토그램으로 표현하는 대신, 우리가 찾으려는 개체의 위치를 가장 잘 예측하는 것으로 서 뮤와 시그마를 제곱으로 유지하는 것입니다. 위의 수식에서 가장 중요한 것은 평균과 분산 사이의 관계를 알아차리는 것이기 때문에 정규화 상수를 c로 요약했습니다. 이 예제를 통해 코드를 작동시킬 수 있기를 바랍니다. 칼만 게인의 숫자는 0과 1 정도가 됩니다. 그런 다음 현재 예상 값을 업데이트하는 데 사용됩니다. 아래 방정식에서 x는 추정치를 나타내며, K는 Kalman 게인이며, 이는 측정값(p)과 이전 추정치 간의 차이를 곱한 것입니다(가중치와 같은 행동). FilterPy는 (https://github.com/rlabbe/filterpy)에서 github를 호스팅합니다. 당신이 bleading 가장자리 릴리스를 원한다면 github에서 사본을 잡고 파이썬 검색 경로에 추가하기위한 파이썬 설치의 지침을 따르십시오. 이렇게 하면 테스트된 릴리스를 얻지 못할 수 있으므로 일부 불안정에 노출될 수 있지만 이점 때문에 라이브러리를 테스트하는 데 사용되는 모든 테스트 스크립트도 얻을 수 있습니다. 이러한 스크립트를 검사하여 Jupyter Notebook 환경이 아닌 동안 필터를 작성하고 실행하는 많은 예제를 볼 수 있습니다. 우리의 예에서 견딜 수있는 것들을 유지하기 위해, 우리는 우리의 이전이 가우시안이라고 가정합니다.

QuantEcon.py 패키지에서 클래스 Kalman은 KF 및 EKF에 의해 생성된 다른 통계적 수량을 조사하여 시나리오를 더욱 취하기 위해 판독기에게 맡겨져 있습니다. 예를 들어, 칼만 게인, K는 무엇이며 어떻게 해석합니까? x_pred의 예측된 상태 벡터는 x_est의 예상 상태 벡터와 어떻게 비교합니까? P_pred 및 P_est 행렬을 어떻게 사용합니까? 초기 학습 기간 이후에 잠재 상태에 대한 지식으로 최적으로 예측하는 경쟁업체에 비해 칼만 필터가 어떻게 잘 수행되는지 관찰합니다. 이 강의는 칼만 필터에 대한 간단하고 직관적 인 소개를 제공합니다, 어느 다음, 제공 된 각 관찰에 대한, 나는 칼만 필터에서 제공하는 값으로 상태 매트릭스를 업데이트하는 일련의 프로세스를 통해 반복. 이 두 가지 예를 유익하다고 생각시길 바랍니다. 개인적으로, 나는 자전거 시나리오를 조롱한 다음 KF와 EKF를 인공 데이터에 적용하는 과정을 통해 매우 유익한 작업을 발견했습니다. 생각할 수 있듯이 GPS, 속도계 및 자이로스코프 센서를 자전거에 부착하고 공원 주변을 돌아다니면서 실제 세계에서 이 정확한 절차를 테스트할 수 있습니다. 그러나, 그렇게 하기 전에, 하나는이 시나리오에서 만든 많은 가정 및 단순화를 인식 해야-적어도 $z$축 완전히 무시 됩니다! Kalman 게인이 1에 가까우면 측정이 정확하지만 추정치가 불안정하다는 의미입니다. 측정 오차가 작은 경우(그리고 E_st에 E_est에 실질적으로 아무 것도 기여하지 않는 경우) K가 1과 같을 수 있는 Kalman 게인 비율을 보면 이를 추론할 수 있습니다.

측정 오차가 작으면 새 입력 데이터를 기반으로 향후 예측이 강력하게 업데이트됩니다. 나는 입력 및 출력의 해석에 몇 가지 문제가 있습니다.

Comments are closed.

    About

    This is the deafult sidebar, add some widgets to change it.