知识卡片
卡尔曼滤波的线性高斯前提
跟踪可抽象为从不确定、不完整的观测中推断目标运动状态的搜索过程。卡尔曼滤波给出该问题的闭式递推解:用状态方程预测、用观测方程校正,并以高斯分布表示不确定性。它的最优性有严格前提——状态转移与观测都是线性的,且噪声与后验都是高斯分布。
违背前提时有两种补救:扩展卡尔曼滤波在当前估计点对非线性函数做一阶泰勒展开,把问题局部线性化;无损卡尔曼滤波改用一组确定性的 Sigma 点传播均值和协方差,避免求导,对强非线性更稳。
但两者仍是高斯近似:只能表示单峰分布。当目标机动、被遮挡或存在相似物时,真实后验往往多峰甚至偏斜,用一个高斯去拟合会把概率质量放在错误位置,预测随之偏离,跟踪精度下降。这说明问题不在滤波器实现,而在分布假设本身,也正是粒子滤波一类方法的出发点。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第1章 概述
原书出处 · 1 处
- 第1章 概述 · 查看原书依据
然而,在实际跟踪过程中,目标的运动状态往往是非线性、非高斯分布的,在这种情况下,基于卡尔曼滤波的跟踪方法难以准确预测目标的运动状态,从而导致跟踪精度下降
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第1章 概述(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt001.html)
- 结论依据:跟踪可抽象为从不确定、不完整的观测中推断目标运动状态的搜索过程。
- 原始内容:然而,在实际跟踪过程中,目标的运动状态往往是非线性、非高斯分布的,在这种情况下,基于卡尔曼滤波的跟踪方法难以准确预测目标的运动状态,从而导致跟踪精度下降