Matlab 请解释在本教程中卡尔曼滤波器的用途

一个家伙发布了关于使用卡尔曼滤波器跟踪目标的信息。很多人认为这是一个高星级的教程，所以这不是一个错误的教程

然而，一位男士提出了以下问题： 在这段代码中，你在每一帧中都做了检测，这个输出作为卡尔曼滤波器的输入。所以背景减法和卡尔曼滤波器会给出类似的结果。所以请你在这里解释一下卡尔曼滤波器的用法

我和他有同样的想法。

---

有人能解释一下卡尔曼滤波器的用法吗

对卡尔曼滤波的直观概述是基于最小均方原理的。它计算与卡尔曼增益相关的2个参数。你可以这样想-有两个参数，一个用于观察，另一个用于预测，即这两个参数将赋予信任观察数据更多的权重，而给予预测数据更少的权重，反之亦然，以便在“猜测”正确的情况下适应下一轮。否则，误差将影响增益，以便进行相应调整。因此，像维纳一样，卡尔曼滤波器被称为“自适应的”。

对卡尔曼滤波器的直观概述基于最小均方原理。它计算与卡尔曼增益相关的2个参数。你可以这样想-有两个参数，一个用于观察，另一个用于预测，即这两个参数将赋予信任观察数据更多的权重，而给予预测数据更少的权重，反之亦然，以便在“猜测”正确的情况下适应下一轮。否则，误差将影响增益，以便进行相应调整。因此，与维纳一样，卡尔曼滤波器被称为“自适应”。

使用背景减法的简单检测将在每个采样周期产生结果，但是由于测量噪声，结果将是噪声的，并且量化和检测误差可能会产生巨大影响

如果你想观察一个物体，你通常知道它将如何移动。它不会从一个位置跳到下一个位置，而是以连续的方式移动到那里。卡尔曼滤波器结合了简单检测算法的测量值，并将它们与关于对象位置不能跳跃的模型知识相结合，因此它会过滤测量值并考虑测量值的历史。考虑到线性系统，可以证明卡尔曼滤波是考虑系统测量噪声的数据滤波的最佳方法

---

编辑：在本教程中，Kalman滤波器显然用于在下一步预测球的位置。在向下运动中，这种方法效果很好。由于过滤器对地板一无所知，当球落地时，预测当然是错误的。在向上运动期间，预测仍会受到此误差的影响。

使用背景减法进行简单检测将在每个采样周期内产生结果，但是由于测量噪声，结果会有噪声，并且量化和检测误差可能会产生巨大影响

如果你想观察一个物体，你通常知道它将如何移动。它不会从一个位置跳到下一个位置，而是以连续的方式移动到那里。卡尔曼滤波器结合了简单检测算法的测量值，并将它们与关于对象位置不能跳跃的模型知识相结合，因此它会过滤测量值并考虑测量值的历史。考虑到线性系统，可以证明卡尔曼滤波是考虑系统测量噪声的数据滤波的最佳方法

---

编辑：在本教程中，Kalman滤波器显然用于在下一步预测球的位置。在向下运动中，这种方法效果很好。由于过滤器对地板一无所知，当球落地时，预测当然是错误的。在向上运动过程中，预测仍然会受到此错误的影响。

我运行了本教程中的kalman.m文件。下面是一个结果，其中绿色圆圈显示了应用卡尔曼滤波前球的实际位置，红色圆圈显示了应用卡尔曼滤波后球的估计位置。结果表明，使用卡尔曼滤波比不使用卡尔曼滤波要差。为什么？我运行了本教程中的kalman.m文件。下面是一个结果，其中绿色圆圈显示了应用卡尔曼滤波前球的实际位置，红色圆圈显示了应用卡尔曼滤波后球的估计位置。结果表明，使用卡尔曼滤波比不使用卡尔曼滤波要差。为什么？