filtr kalman 2d w Pythonie

Oto moja implementacja filtra Kalmana na podstawie równań podanych na Wikipedii . Proszę pamiętać, że moje zrozumienie filtrów Kalmana jest bardzo prymitywne, więc istnieją najprawdopodobniej sposoby ulepszenia tego kodu. (Na przykład, cierpi na problem niestabilności numerycznej omawiany tutaj . Jak rozumiem, wpływa to na stabilność liczbową tylko wtedy, gdy Q, szum ruchu, jest bardzo mały. W prawdziwym życiu hałas zwykle nie jest mały, więc na szczęście (przynajmniej dla mojej realizacji) w praktyce niestabilność numeryczna się nie ujawnia.)

W poniższym przykładzie kalman_xy zakłada, że wektor stanu jest krotką 4: 2 liczby dla położenia i 2 liczby dla prędkości. Macierze F i H zostały zdefiniowane specjalnie dla tego wektora stanu: Jeśli x jest stanem 4-krotnym, to

new_x = F * x
position = H * x

Następnie wywołuje kalman, który jest uogólnionym filtrem Kalmana. Jest ogólny w tym sensie, że nadal jest przydatny, jeśli chcesz zdefiniować inny wektor stanu. być może sześciokrotka reprezentująca położenie, prędkość i przyspieszenie. Wystarczy zdefiniować równania ruchu poprzez podanie odpowiednich F i H.

import numpy as np
import matplotlib.pyplot as plt

def kalman_xy(x, P, measurement, R,
              motion = np.matrix('0. 0. 0. 0.').T,
              Q = np.matrix(np.eye(4))):
    """
    Parameters:    
    x: initial state 4-tuple of location and velocity: (x0, x1, x0_dot, x1_dot)
    P: initial uncertainty convariance matrix
    measurement: observed position
    R: measurement noise 
    motion: external motion added to state vector x
    Q: motion noise (same shape as P)
    """
    return kalman(x, P, measurement, R, motion, Q,
                  F = np.matrix('''
                      1. 0. 1. 0.;
                      0. 1. 0. 1.;
                      0. 0. 1. 0.;
                      0. 0. 0. 1.
                      '''),
                  H = np.matrix('''
                      1. 0. 0. 0.;
                      0. 1. 0. 0.'''))

def kalman(x, P, measurement, R, motion, Q, F, H):
    '''
    Parameters:
    x: initial state
    P: initial uncertainty convariance matrix
    measurement: observed position (same shape as H*x)
    R: measurement noise (same shape as H)
    motion: external motion added to state vector x
    Q: motion noise (same shape as P)
    F: next state function: x_prime = F*x
    H: measurement function: position = H*x

    Return: the updated and predicted new values for (x, P)

    See also http://en.wikipedia.org/wiki/Kalman_filter

    This version of kalman can be applied to many different situations by
    appropriately defining F and H 
    '''
    # UPDATE x, P based on measurement m    
    # distance between measured and current position-belief
    y = np.matrix(measurement).T - H * x
    S = H * P * H.T + R  # residual convariance
    K = P * H.T * S.I    # Kalman gain
    x = x + K*y
    I = np.matrix(np.eye(F.shape[0])) # identity matrix
    P = (I - K*H)*P

    # PREDICT x, P based on motion
    x = F*x + motion
    P = F*P*F.T + Q

    return x, P

def demo_kalman_xy():
    x = np.matrix('0. 0. 0. 0.').T 
    P = np.matrix(np.eye(4))*1000 # initial uncertainty

    N = 20
    true_x = np.linspace(0.0, 10.0, N)
    true_y = true_x**2
    observed_x = true_x + 0.05*np.random.random(N)*true_x
    observed_y = true_y + 0.05*np.random.random(N)*true_y
    plt.plot(observed_x, observed_y, 'ro')
    result = []
    R = 0.01**2
    for meas in zip(observed_x, observed_y):
        x, P = kalman_xy(x, P, meas, R)
        result.append((x[:2]).tolist())
    kalman_x, kalman_y = zip(*result)
    plt.plot(kalman_x, kalman_y, 'g-')
    plt.show()

demo_kalman_xy()

Czerwone kropki pokazują głośne pomiary pozycji, zielona linia pokazuje przewidywane pozycje Kalmana.