16.06.

2021 Фильтр Калмана — Введение / Хабр

Все потоки Разработка Администрирование Дизайн Менеджмент Маркетинг Научпоп Войти Регистрация

justserega 25 марта 2012 в 20:42 Реклама

Фильтр Калмана — Введение

Программирование, Алгоритмы

Фильтр Калмана — это, наверное, самый популярный алгоритм фильтрации, используемый во многих областях науки и техники.
Благодаря своей простоте и эффективности его можно встретить в GPS-приемниках, обработчиках показаний датчиков, при
реализации систем управления и т.д.

Про фильтр Калмана в интернете есть очень много статей и книг (в основном на английском), но у этих статей довольно
большой порог вхождения, остается много туманных мест, хотя на самом деле это очень ясный и прозрачный алгоритм. Я
попробую рассказать о нем простым языком, с постепенным нарастанием сложности.

Для чего он нужен?

Любой измерительный прибор обладает некоторой погрешностью, на него может оказывать влияние большое количество
внешних и внутренних воздействий, что приводит к тому, что информация с него оказывается зашумленной. Чем сильнее
зашумлены данные тем сложнее обрабатывать такую информацию.

Фильтр — это алгоритм обработки данных, который убирает шумы и лишнюю информацию. В фильтре Калмана есть
возможность задать априорную информацию о характере системе, связи переменных и на основании этого строить более
точную оценку, но даже в простейшем случае (без ввода априорной информации) он дает отличные результаты.

Рассмотрим простейший пример — предположим нам необходимо контролировать уровень топлива в баке. Для этого в бак
устанавливается емкостный датчик, он очень прост в обслуживании, но обладает некоторыми недостатками — например,
зависимость от заправляемого топлива (диэлектрическая проницаемость топлива зависит от многих факторов, например, от
температуры), большое влияние «болтанки» в баке. В итоге, информация с него представляет типичную «пилу» с приличной
амплитудой. Такого рода датчики часто устанавливаются на тяжелой карьерной технике (не смущайтесь объемам бака):

Фильтр Калмана
Немного отвлечемся и познакомимся с самим алгоритмом. Фильтр Калмана использует динамическую модель системы
(например, физический закон движения), известные управляющие воздействия и множество последовательных измерений для
формирования оптимальной оценки состояния. Алгоритм состоит из двух повторяющихся фаз: предсказание и корректировка.
На первом рассчитывается предсказание состояния в следующий момент времени (с учетом неточности их измерения). На
втором, новая информация с датчика корректирует предсказанное значение (также с учетом неточности и зашумленности этой
информации):

https://habr.com/ru/post/140274/ 1/14
16.06.2021 Фильтр Калмана — Введение / Хабр

Уравнения представлены в матричной форме, если вы не знаете линейную алгебру — ничего страшного, дальше будет
упрощенная версия без матриц для случая с одной переменной. В случае с одной переменной матрицы вырождаются в
скалярные значения.

Разберемся сначала в обозначениях: подстрочный индекс обозначает момент времени: k — текущий, (k-1) — предыдущий, знак
«минус» в верхнем индексе обозначает, что это предсказанное промежуточное значение.

Описание переменных представлены на следующих изображениях:

Можно долго и нудно описывать, что означают все эти таинственные матрицы переходов, но лучше, на мой взгляд, на реальном
примере попробовать применить алгоритм — чтобы абстрактные значения обрели реальный смысл.

Опробуем в деле
Вернемся к примеру с датчиком уровня топлива, так как состояние системы представлено одной переменной (объем топлива в
баке), то матрицы вырождаются в обычные уравнения:

https://habr.com/ru/post/140274/ 2/14
16.06.2021 Фильтр Калмана — Введение / Хабр

Определение модели процесса

Для того, чтобы применить фильтр, необходимо определить матрицы/значения переменных определяющих динамику системы
и измерений F, B и H:

F — переменная описывающая динамику системы, в случае с топливом — это может быть коэффициент определяющий расход
топлива на холостых оборотах за время дискретизации (время между шагами алгоритма). Однако помимо расхода топлива,
существуют ещё и заправки… поэтому для простоты примем эту переменную равную 1 (то есть мы указываем, что
предсказываемое значение будет равно предыдущему состоянию).

B — переменная определяющая применение управляющего воздействия. Если бы у нас были дополнительная информация об
оборотах двигателя или степени нажатия на педаль акселератора, то этот параметр бы определял как изменится расход топлива
за время дискретизации. Так как управляющих воздействий в нашей модели нет (нет информации о них), то принимаем B = 0.

H — матрица определяющая отношение между измерениями и состоянием системы, пока без объяснений примем эту
переменную также равную 1.

Определение сглаживающих свойств

R — ошибка измерения может быть определена испытанием измерительных приборов и определением погрешности их
измерения.

Q — определение шума процесса является более сложной задачей, так как требуется определить дисперсию процесса, что не
всегда возможно. В любом случае, можно подобрать этот параметр для обеспечения требуемого уровня фильтрации.

Реализуем в коде
Чтобы развеять оставшиеся непонятности реализуем упрощенный алгоритм на C# (без матриц и управляющего воздействия):

class KalmanFilterSimple1D
{
public double X0 {get; private set;} // predicted state
public double P0 { get; private set; } // predicted covariance

public double F { get; private set; } // factor of real value to previous real value
public double Q { get; private set; } // measurement noise
public double H { get; private set; } // factor of measured value to real value
public double R { get; private set; } // environment noise

public double State { get; private set; }

public double Covariance { get; private set; }

public KalmanFilterSimple1D(double q, double r, double f = 1, double h = 1)

{
Q = q;
R = r;
F = f;
H = h;
}

public void SetState(double state, double covariance)

{
State = state;

https://habr.com/ru/post/140274/ 3/14
16.06.2021 Фильтр Калмана — Введение / Хабр
Covariance = covariance;
}

public void Correct(double data)

{
//time update - prediction
X0 = F*State;
P0 = F*Covariance*F + Q;

//measurement update - correction

var K = H*P0/(H*P0*H + R);
State = X0 + K*(data - H*X0);
Covariance = (1 - K*H)*P0;
}
}

// Применение...

var fuelData = GetData();

var filtered = new List<double>();

var kalman = new KalmanFilterSimple1D(f: 1, h: 1, q: 2, r: 15); // задаем F, H, Q и R

kalman.SetState(fuelData[0], 0.1); // Задаем начальные значение State и Covariance
foreach(var d in fuelData)
{
kalman.Correct(d); // Применяем алгоритм

filtered.Add(kalman.State); // Сохраняем текущее состояние

}

Результат фильтрации с данными параметрами представлен на рисунке (для настройки степени сглаживания — можно изменять
параметры Q и R):

За рамками статьи осталось самое интересное — применение фильтра Калмана для нескольких переменных, задание
взаимосвязи между ними и автоматический вывод значений для ненаблюдаемых переменных. Постараюсь продолжить тему
как только появится время.

Надеюсь описание получилось не сильно утомительным и сложным, если остались вопросы и уточнения — добро пожаловать в
комментарии )

UPD: Список источников:

CS373 — PROGRAMMING A ROBOTIC CAR — очень рекомендую
Википедия (русская)
Википедия (англ.)

https://habr.com/ru/post/140274/ 4/14
16.06.2021 Фильтр Калмана — Введение / Хабр

На хабре: 1 и 2

Более серьезные источники:

Greg Welch, Gary Bishop, «An Introduction to the Kalman Filter», 2001
M.S.Grewal, A.P. Andrews, «Kalman Filtering — Theory and Practice Using MATLAB», Wiley, 2001

UPD2: приведенный в статье пример — чисто демонстрационный. Основное применение фильтра более сложные системы.
Например, в случае определение координат автомобиля можно связать gps-координаты, угол поворота руля, обороты
двигателя… и все это даст повышение точности координат.

Теги: фильтр, калман, программирование, алгоритмы

Хабы: Программирование, Алгоритмы

+145 921 224k 50 Поделиться

23,5 0,0
Карма Рейтинг

Сергей @ justserega
Пользователь

ПОХОЖИЕ ПУБЛИКАЦИИ

12 августа 2020 в 11:14

Моделирование звука гитарных нот с помощью алгоритма Карплуса-Стронга на python

39 7,1k 103 7

21 сентября 2018 в 13:00

Динамическое программирование или «Разделяй и Властвуй»

14 18,1k 78 5

1 июля 2018 в 01:31

Регулярные выражения + логическое программирование. Что в результате?

9 6,1k 46 3

ВАКАНСИИ

Разработчик бизнес-приложений на low-code платформе

от 70 000 до 150 000 ₽ • 2050-Интегратор • Москва • Можно удаленно

Senior Blockchain Developer

от 150 000 до 200 000 ₽ • Relictum Pro • Можно удаленно

Программист C/C++ (протоколы мобильной связи 4G/5G)

до 150 000 ₽ • ПроВайд Лабс • Омск

Разработчик C++/Qt
от 30 000 до 80 000 ₽ • Barbatum • Барнаул • Можно удаленно

Программист 1С
от 40 000 до 55 000 ₽ • Пантус • Балаково

Больше вакансий на Хабр Карьере

https://habr.com/ru/post/140274/ 5/14