[英]kalman filter prediction t+2 timestep
我有一個關於使用卡爾曼濾波器來預測t + 2值的問題。 眾所周知,基本的卡爾曼濾波器有兩個步驟,即預測和更新。 預測部分可以基於xt-1生成xt。 這是我在Internet上找到的一些示例代碼。
import numpy as np
class KalmanFilter(object):
def __init__(self, F = None, B = None, H = None, Q = None, R = None, P = None, x0 = None):
if(F is None or H is None):
raise ValueError("Set proper system dynamics.")
self.n = F.shape[1]
self.m = H.shape[1]
self.F = F
self.H = H
self.B = 0 if B is None else B
self.Q = np.eye(self.n) if Q is None else Q
self.R = np.eye(self.n) if R is None else R
self.P = np.eye(self.n) if P is None else P
self.x = np.zeros((self.n, 1)) if x0 is None else x0
def predict(self, u = 0):
self.x = np.dot(self.F, self.x) + np.dot(self.B, u)
self.P = np.dot(np.dot(self.F, self.P), self.F.T) + self.Q
return self.x
def update(self, z):
y = z - np.dot(self.H, self.x)
S = self.R + np.dot(self.H, np.dot(self.P, self.H.T))
K = np.dot(np.dot(self.P, self.H.T), np.linalg.inv(S))
self.x = self.x + np.dot(K, y)
I = np.eye(self.n)
self.P = np.dot(np.dot(I - np.dot(K, self.H), self.P),
(I - np.dot(K, self.H)).T) + np.dot(np.dot(K, self.R), K.T)
def example():
dt = 1.0/60
F = np.array([[1, dt, 0], [0, 1, dt], [0, 0, 1]])
H = np.array([1, 0, 0]).reshape(1, 3)
Q = np.array([[0.05, 0.05, 0.0], [0.05, 0.05, 0.0], [0.0, 0.0, 0.0]])
R = np.array([0.5]).reshape(1, 1)
x = np.linspace(-10, 10, 100)
measurements = - (x**2 + 2*x - 2) + np.random.normal(0, 2, 100)
kf = KalmanFilter(F = F, H = H, Q = Q, R = R)
predictions = []
for z in measurements:
predictions.append(np.dot(H, kf.predict())[0])
kf.update(z)
import matplotlib.pyplot as plt
plt.plot(range(len(measurements)), measurements, label = 'Measurements')
plt.plot(range(len(predictions)), np.array(predictions), label = 'Kalman Filter Prediction')
plt.legend()
plt.show()
if __name__ == '__main__':
example()
在此問題中,我們使用t-1的值來預測t並使用t的值進行更新。 如果我想基於t預測t + 1的值。 我相應地更改了一些內容:
import numpy as np
class KalmanFilter(object):
def __init__(self, F = None, F_1 = None, B = None, H = None, Q = None, R = None, P = None, x0 = None):
if(F is None or H is None):
raise ValueError("Set proper system dynamics.")
self.n = F.shape[1]
self.m = H.shape[1]
self.F = F
self.F_1 = F_1
self.H = H
self.B = 0 if B is None else B
self.Q = np.eye(self.n) if Q is None else Q
self.R = np.eye(self.n) if R is None else R
self.P = np.eye(self.n) if P is None else P
self.x = np.zeros((self.n, 1)) if x0 is None else x0
def predict(self, u = 0):
self.x = np.dot(self.F, self.x) + np.dot(self.B, u)
self.P = np.dot(np.dot(self.F, self.P), self.F_1) + self.Q
return self.x
def update(self, z):
y = z - np.dot(self.H, self.x)
S = self.R + np.dot(self.H, np.dot(self.P, self.H.T))
K = np.dot(np.dot(self.P, self.H.T), np.linalg.inv(S))
self.x = self.x + np.dot(K, y)
I = np.eye(self.n)
self.P = np.dot(np.dot(I - np.dot(K, self.H), self.P),
(I - np.dot(K, self.H)).T) + np.dot(np.dot(K, self.R), K.T)
def example():
dt = 1.0/60
F_0 = np.array([[1, dt, 0], [0, 1, dt], [0, 0, 1]])
F = np.dot(F_0, F_0)
F_1 = np.dot(F_0.T, F_0.T)
H = np.array([1, 0, 0]).reshape(1, 3)
Q = np.array([[0.05, 0.05, 0.0], [0.05, 0.05, 0.0], [0.0, 0.0, 0.0]])
R = np.array([0.5]).reshape(1, 1)
x = np.linspace(-10, 10, 100)
measurements = - (x**2 + 2*x - 2) + np.random.normal(0, 2, 100)
kf = KalmanFilter(F = F, F_1 = F_1, H = H, Q = Q, R = R)
predictions = []
for i in range(1, len(measurements), 2):
predictions.append(np.dot(H, kf.predict())[0])
kf.update(measurements[i])
import matplotlib.pyplot as plt
plt.plot(range(len(measurements)), measurements, label = 'Measurements')
plt.plot(range(len(predictions)), np.array(predictions), label = 'Kalman Filter Prediction')
plt.legend()
plt.show()
if __name__ == '__main__':
example()
主要變化是以下兩個:
我改變了F矩陣。
我使用了t + 1時間步長的值來更新我的結果。
但是,我得到的結果的長度僅為原始測量值的一半。 因為我有點跳來更新它們。
我現在有點困惑。 有人有建議或解決方案嗎? 非常感謝
我看到以下問題:
x(t)
的x(t+1)
的預測實際上與基於x(t-1)
的x(t)
的預測相同。 一切都取決於時間步長( dt
)的定義 dt
。 self.F_1
替換了self.FT
但是T
代表F
transpose
。 不好 這就是為什么您的結果向量可能具有另一個維度的原因。 因此,如果您要預測一段時間,那么僅需要知道此時間即可。 這將是您的新dt
,當然會改變您的F
和Q
如果您以時間步長dt
測量,並且您想查看每秒鍾的測量結果下降會發生什么,您有兩種選擇:
選項1
更改預測步長的dt
,使其等於最后兩次測量之間的時間差,並使用新值dt
重新計算F
矩陣(請注意:在這種情況下,您將需要更改Q矩陣,因為系統會獲得更大的不確定性在更大的時間跨度)。
選項2
幾次以原始時間步dt
執行預測,以填充兩次測量之間的時間段。 因此,如果您只想每秒處理一次,那么您的代碼將如下所示
for i in range(1, len(measurements), 2):
kf.predict()
kf.predict()
kf.update(measurements[i])
更新
從評論到您的問題:
i t todo
1 0*dt init
2 1*dt predict
3 2*dt predict, update
4 3*dt predict
5 4*dt predict, update
你是說這個案子嗎
看一下這個帖子 。 它顯示了如果您預測很多而沒有新更新會發生什么。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.