Hướng dẫn về Kalman Filter

Tổng quan

• Về hướng dẫn này

  • Thuật toán Kalman Filter là một công cụ mạnh mẽ để ước lượng và dự đoán trạng thái của hệ thống trong điều kiện bất định, được օգտագործվում như một thành phần nền tảng trong nhiều lĩnh vực như theo dõi mục tiêu, điều hướng và điều khiển.
  • Kalman Filter là một khái niệm đơn giản, nhưng nhiều tài liệu đòi hỏi nền tảng toán học và thiếu ví dụ thực tiễn nên có thể khiến nó trở nên phức tạp.
  • Vào năm 2017, một hướng dẫn trực tuyến dựa trên các ví dụ số và giải thích trực quan đã được tạo ra để giúp mọi người hiểu chủ đề này dễ hơn.
  • Hướng dẫn bao gồm Kalman Filter đơn biến (1 chiều) và đa biến (nhiều chiều), đồng thời được mở rộng để gồm các chủ đề nâng cao như Kalman Filter phi tuyến, hợp nhất cảm biến và các hướng dẫn triển khai thực tế.
  • Dựa trên hướng dẫn này, tác giả đã viết một cuốn sách; cuốn sách đề cập đến các khái niệm lý thuyết và ứng dụng thực tiễn từ cơ bản đến nâng cao.

• Về Kalman Filter

  • Nhiều hệ thống hiện đại sử dụng nhiều cảm biến để ước lượng các trạng thái ẩn.
  • Kalman Filter là một thuật toán ước lượng trạng thái ẩn của hệ thống và dự đoán trạng thái tương lai ngay cả trong điều kiện bất định.
  • Trong bài báo do Rudolf E. Kálmán công bố năm 1960, ông đã mô tả một lời giải đệ quy cho bài toán lọc tuyến tính của dữ liệu rời rạc.

Giới thiệu về Kalman Filter

• Sự cần thiết của dự đoán
  • Để hiểu sự cần thiết của các thuật toán theo dõi và dự đoán, có thể lấy ví dụ về radar theo dõi.
  • Radar ước lượng vị trí và vận tốc hiện tại của mục tiêu, rồi dự đoán vị trí của mục tiêu tại thời điểm chùm tia theo dõi tiếp theo.
  • Việc dự đoán có thể được tính bằng cách sử dụng các phương trình chuyển động của Newton.
  • Các phép đo radar thực tế không chính xác tuyệt đối và bao gồm sai số ngẫu nhiên hoặc độ bất định.
  • Do nhiễu đo lường và nhiễu quá trình, vị trí mục tiêu được ước lượng có thể khác biệt lớn so với vị trí thực tế.
  • Kalman Filter là một thuật toán cải thiện độ chính xác theo dõi bằng cách tính đến những độ bất định này.

[GN⁺]

Ý kiến trên Hacker News

• Để hiểu Kalman Filter, trước tiên nên học Least Squares (hồi quy tuyến tính), sau đó học Recursive Least Squares và Information Filter. Qua đó có thể thấy Kalman Filter là một dạng tái cấu trúc của Recursive Least Squares, ưu tiên tính hiệu quả ở bước cập nhật

• Tài liệu liên quan đến Kalman Filter gồm có PDF này và kho GitHub

• Hiện chưa có công cụ tính toán ký hiệu cho phân phối xác suất; điều này bao gồm các tác vụ như nhân các PDF Gaussian đa biến và thu được ma trận hiệp phương sai

• Nếu Q và R là hằng số, Kalman Filter sẽ giống với một bộ lọc hàm mũ có bước dự đoán. Điều này dễ hiểu hơn và phù hợp với cách tối ưu bằng cách tự điều chỉnh Q và R

• Để hỗ trợ việc hiểu Kalman Filter, có đề xuất xem các bài giảng của Michael van Biezem

• Có một ý tưởng về việc dùng Kalman Filter để tăng giá trị quan sát trong các vụ việc chỉ có lời khai nhân chứng. Cách này xử lý sự dối trá và thiếu chính xác như một dạng "lỗi"

• Thuật ngữ "tracking" được dùng phổ biến, nhưng thường mang nghĩa là một kiểu theo dõi cụ thể nên có thể gây nhầm lẫn

• Kalman Filter được đặt theo tên của Rudolf E. Kálmán, người đã công bố bài báo mô tả lời giải đệ quy cho bài toán lọc tuyến tính dữ liệu rời rạc vào năm 1960