Hey! Sebagai pembekal Penapis, saya sering ditanya tentang cara penapis Kalman menganggarkan keadaan sistem. Ia adalah topik yang cukup menarik, dan saya teruja untuk memecahkannya untuk anda dalam catatan blog ini.
Apa itu Penapis Kalman?
Pertama sekali, penapis Kalman adalah seperti alat yang sangat pintar untuk membuat tekaan terbaik tentang keadaan sistem apabila terdapat banyak ketidakpastian yang berlegar-legar. Anda tahu, dalam senario dunia sebenar, kita tidak boleh sentiasa mengukur sesuatu dengan sempurna. Terdapat bunyi dalam penderia kami, dan sistem itu sendiri mungkin berubah dalam cara yang tidak dapat diramalkan. Di situlah penapis Kalman melangkah masuk.
Katakan anda cuba menjejaki kedudukan kereta yang sedang bergerak. Anda mempunyai penderia pada kereta yang memberi anda beberapa data tentang kelajuan dan arahnya, tetapi penderia ini tidak 100% tepat. Mungkin terdapat ralat kecil dalam bacaan disebabkan gangguan elektrik atau masalah mekanikal. Penapis Kalman mengambil semua data bising ini dan cuba memikirkan kedudukan sebenar dan halaju kereta setepat mungkin.
Asas Proses Penapisan Kalman
Penapis Kalman berfungsi dalam proses dua langkah: ramalan dan kemas kini.
Langkah Ramalan
Dalam langkah ramalan, penapis Kalman menggunakan model sistem untuk meramalkan keadaan sistem pada langkah seterusnya. Model ini menerangkan bagaimana sistem berubah dari semasa ke semasa. Contohnya, jika anda menjejaki kereta itu, model itu mungkin berdasarkan undang-undang gerakan Newton. Jika kereta itu bergerak pada kelajuan malar dalam garis lurus, anda boleh meramalkan di mana ia akan berada dalam masa yang singkat kemudian.
Secara matematik, kita mempunyai vektor keadaan $\mathbf{x}_k$, yang mewakili keadaan sistem pada langkah masa $k$. Kami juga mempunyai matriks peralihan keadaan $\mathbf{F}k$, yang memberitahu kita bagaimana keadaan berubah dari satu langkah masa ke langkah seterusnya. Ramalan keadaan pada langkah masa $k + 1$, dilambangkan sebagai $\hat{\mathbf{x}}{k+1|k}$, diberikan oleh:
$\mat{\mathbf{x}_{k+1|k}=\mathbf{F}k\shat{\mathbf{x}}{k|k}$
Di sini, $\hat{\mathbf{x}}_{k|k}$ ialah anggaran keadaan pada langkah masa $k$.
Kita juga perlu meramalkan ketidakpastian dalam anggaran negeri kita. Ini diwakili oleh matriks kovarians $\mathbf{P}k$. Kovarians yang diramalkan $\mathbf{P}{k + 1|k}$ dikira sebagai:
$\mathbf{P}_{k+1|k}=\mathbf{F}k\mathbf{P}2
Matriks $\mathbf{Q}_k$ mewakili hingar proses, yang menyumbang kepada ketidakpastian dalam model sistem. Mungkin kereta tiba-tiba memecut atau menyahpecutan disebabkan keadaan lalu lintas, dan model pemalar ringkas kami - kelajuan tidak dapat menangkapnya sepenuhnya.
Langkah Kemas Kini
Setelah kami membuat ramalan, kami mendapat ukuran baharu daripada penderia kami. Mari kita panggil vektor ukuran $\mathbf{z}{k+1}$. Tetapi ukuran ini juga bising. Kami mempunyai matriks ukuran $\mathbf{H}{k+1}$, yang mengaitkan keadaan sistem dengan ukuran yang boleh kita buat.
Perkara pertama yang kami lakukan ialah mengira inovasi atau baki ukuran $\tilde{\mathbf{y}}_{k+1}$, iaitu perbezaan antara ukuran sebenar dan ukuran yang diramalkan:
$\tilde{\mathbf{y}}{k+1}=\mathbf{z}{k+1}-\mathbf{H}{k+1}\hat{\mathbf{x}}{k+1|k}$
Seterusnya, kami mengira kovarians inovasi $\mathbf{S}_{k+1}$:
$\mathbf{S}{k+1}=\mathbf{H}{k+1}\mathbf{P}{k+1|k}\mathbf{H}{k+1}^Tomatbf{R}_{k+1}$
Di sini, $\mathbf{R}_{k+1}$ ialah kovarians hingar pengukuran, yang mewakili ketidakpastian dalam penderia kami.
Kemudian, kami mengira keuntungan Kalman $\mathbf{K}_{k+1}$, yang memberitahu kami sejauh mana kami harus mempercayai ukuran baharu berbanding ramalan kami:
$\mathbf{K}{k+1}=\mathbf{P}{k+1|k}\mathbf{H}{k+1}^T\mathbf{S}{k+1}^{-1}$
Akhir sekali, kami mengemas kini anggaran negeri kami $\hat{\mathbf{x}}{k+1|k+1}$ dan matriks kovarians $\mathbf{P}{k+1|k+1}$:
$\mat{\mathbf{x}}{k+1|k+1}=\hat{\mathbf»}{k+1|k}+\mathbf{K}{k+1}\tilde{\mathbf{y}}{k+1}$
$\mathbf{P}{k+1|k+1}=(\mathbfment{I}-\mathbfment{K}{k+1}\mathbf{H}{k+1})\mathbf{P}{k+1|k}$
Aplikasi Sebenar - Dunia
Penapis Kalman digunakan dalam satu tan medan yang berbeza. Dalam industri aeroangkasa, mereka digunakan untuk menjejaki kedudukan dan orientasi kapal terbang dan satelit. Dalam robotik, mereka membantu robot menavigasi dalam persekitaran yang tidak diketahui dengan menganggarkan kedudukan mereka berdasarkan data penderia.
Sebagai pembekal Penapis, kami memahami kepentingan penapisan yang tepat dalam pelbagai sistem. kamiPenapisproduk direka untuk menyediakan penyelesaian penapisan berkualiti tinggi. Sama ada anda sedang mengusahakan projek berskala kecil atau aplikasi industri berskala besar, penapis kami boleh membantu mengurangkan hingar dan meningkatkan ketepatan ukuran anda.
Kami juga mempunyai pelbagaiMesin Pengisianproduk. Mesin ini digunakan dalam industri seperti makanan dan minuman, farmaseutikal, dan bahan kimia. Ketepatan proses pengisian adalah penting, dan penapis kami memainkan peranan penting dalam memastikan pengisian dilakukan dengan tepat.
Dan jika anda sedang mencari penyelesaian yang lebih komprehensif, kamiTalian Pengisian Automatikadalah pilihan yang bagus. Ia menggabungkan kuasa penapis dan mesin pengisian kami untuk menyediakan proses pengisian yang lancar dan cekap.
Jadi, Mengapa Pilih Penapis Kami?
Penapis kami direka bentuk dengan teknologi terkini. Kami menggunakan bahan berkualiti tinggi untuk memastikan kebolehpercayaan jangka panjang. Apabila anda menggunakan penapis Kalman dalam sistem anda, mempunyai penapis yang boleh dipercayai untuk pra-memproses data adalah penting. Penapis kami boleh mengurangkan hingar dalam pengukuran penderia anda, yang seterusnya menjadikan kerja penapis Kalman lebih mudah dan lebih tepat.
Kami juga menawarkan sokongan pelanggan yang sangat baik. Jika anda mempunyai sebarang soalan tentang cara menyepadukan penapis kami ke dalam sistem anda atau cara mengoptimumkan prestasinya, pasukan pakar kami sedia membantu.
Jom Bincang Bisnes
Jika anda berada di pasaran untuk penapis berkualiti tinggi, mesin pengisian atau talian pengisian automatik, kami ingin berbual dengan anda. Sama ada anda perniagaan kecil yang baru bermula atau syarikat besar yang sedang mencari peningkatan, kami mempunyai produk dan pengetahuan untuk memenuhi keperluan anda. Jangan teragak-agak untuk menghubungi kami untuk perundingan dan mula membincangkan keperluan anda. Kami yakin produk kami akan melebihi jangkaan anda dan membantu anda mencapai hasil yang lebih baik dalam projek anda.
Rujukan
Grewal, MS, & Andrews, AP (2014). Penapisan Kalman: teori dan amalan menggunakan MATLAB. John Wiley & Sons.
Maybeck, PS (1979). Model stokastik, anggaran dan kawalan, Jilid 1. Akhbar akademik.
