问题描述
我开始在Jupyter笔记本中使用python,因此出于学习目的,我在此YouTube tutorial之后实现了Kalman过滤器。我首先将Kalman过滤器与静态数据一起使用,我猜想它在起作用,因此我尝试扩展该代码以将过滤器应用于鼠标坐标,但是它确实很奇怪。谁能帮我修复?
我希望有this kind of result,但我得到的是类似屏幕截图的内容。
这是代码-
import numpy as np
import pandas as pd
from tkinter import *
### True Value: What should be the actual value if there was no error in measurements
### Estimates : It is the predicted value.
#### Error in Estimate: Error in the predicted value
### Measurements : It is the actual value measured with sensor
#### Error in Measurements: Error in the measured value
#### initializing variables
true_x,true_y = 0,0 # True Mouse location
Est_x,Est_y = 0,0 # Initial Estimate
Err_est_x,Err_est_y = 5,5 # Error in Initial Estimate
M_x,M_y = 0,0 # Initial Measurements
Err_msr_x,Err_msr_y = 5,5 # Error in Initial Measurements
kg_x,kg_y = 0,0 # Kalman Gain
def getKG(Err_est,Err_msr):
return Err_est/(Err_est+Err_msr)
def getEst(EST_prev,kg,Msr):
return EST_prev+kg*(Msr-EST_prev)
def getE_est(kg,Err_est):
return (1-kg)*Err_est
def updateKal(val,Est,Err_est,Err_msr):
kg = getKG(Err_est,Err_msr)
Est = getEst(Est,val)
Err_est = getE_est(kg,Err_est)
return kg,Err_est
kg_x,Est_x,Err_est_x = updateKal(true_x,kg_x,Err_est_x,Err_msr_x)
kg_y,Est_y,Err_est_y = updateKal(true_y,kg_y,Err_est_y,Err_msr_y)
def activate_paint(e):
global lastx,lasty
global true_x,true_y
cv.bind('<B1-Motion>',paint)
lastx,lasty = e.x,e.y
true_x,true_y = e.x,e.y
Est_x,Est_y = e.x,e.y
def paint(e):
global lastx,true_y
global kg_x,Err_est_x
global kg_y,Err_est_y
global firstval
x,y = e.x,e.y
kg_x,Err_est_x = updateKal(x,0.5)
kg_y,Err_est_y = updateKal(y,0.5)
cv.create_line((lastx,lasty,x,y),fill='blue',width=1)
cv.create_line((true_x,true_y,Est_y),fill='green',width=2)
lastx,lasty = x,y
true_x,true_y = Est_x,Est_y
root = Tk()
lastx,lasty = None,None
cv = Canvas(root,width=640,height=480,bg='white')
cv.bind('<1>',activate_paint)
cv.pack(expand=YES,fill=BOTH)
root.mainloop()
红色是Kalman,蓝色是实际
编辑:已使用@Lho建议的代码更新
解决方法
我认为您缺少的是流程模型。如果要测量静态参数,则可以采用这种策略,但是,如果要跟踪的状态本身正在发生变化(如此处所示),则需要一个将这些变化考虑在内的过程模型。您将在每个更新步骤之前执行流程模型估计步骤。
在这种情况下,过程模型将涉及一些基本的牛顿物理学。我建议将要跟踪的状态(x和y)扩展为包括速度(vx,vy)和加速度(ax,ay)。因此,您的状态向量将不是[x y] T ,而是 X = [x y vx vy ax ay] T 。 (您可以根据每个时间步长的运动量得出速度,也可以尝试从多个时间步长的运动中得出实际加速度,或者也可以假设一个合理的加速度就足够了,因为您可能还需要一个过程矩阵 F ,该矩阵将 X 转换为测量向量 Z (即[xy] T ,即您要进行的模糊测量)。在这种情况下, F 将是2x6的矩阵。
,我没有运行您的代码,但是您的变量Err_est_x
和Err_est_y
越来越小?您必须在每次调用updateCall
之后增加这些变量,如下所示:
# in method paint()
#
kg_x,Est_x,Err_est_x = updateKal(x,kg_x,Err_est_x,0.5)
kg_y,Est_y,Err_est_y = updateKal(y,kg_y,Err_est_y,0.5)
Err_est_x = 1.1 * Err_est_x + 0.1 # new code
Err_est_y = 1.1 * Err_est_y + 0.1 # new code
说明:如果您估计的误差很低,则新的噪声测量信息也很低[1]。 这在您的可视化效果中也是可见的:最初,红色卡尔曼估计值“非常快”,因为您估计的误差很高。但是,当您估计的误差变得越来越小时,您的红色kalman估计就“变慢了”。
请注意,我没有运行您的代码,因此选择的值(1.1和0.1)可能太大或太小。增加/减少这两个数字以增加/减少红色卡尔曼估计的“速度”。
[1]例如,如果您的估计误差为0,则新测量的信息增益也为0。