Kalman-Filter verstehen
Entdecken Sie reale Situationen, in denen Sie Kalman-Filter verwenden können. Kalman-Filter werden häufig verwendet, um die internen Zustände eines Systems bei unsicheren und indirekten Messungen optimal zu schätzen. Erlernen Sie die Funktionsprinzipien von Kalman-Filtern, indem Sie sich die folgenden Einführungsvideos ansehen.
Sie werden die Situationen untersuchen, in denen Kalman-Filter häufig verwendet werden. Wenn der Zustand eines Systems nur indirekt gemessen werden kann, kann ein Kalman-Filter verwendet werden, um die Zustände dieses Systems optimal zu schätzen. Und wenn Messungen von verschiedenen Sensoren vorliegen, die jedoch Rauschen unterliegen, können Sie einen Kalman-Filter verwenden, um Sensordaten aus verschiedenen Quellen (bekannt als Sensordatenfusion) zu kombinieren und so die beste Schätzung des interessierenden Parameters zu finden.
Sie werden auch etwas über Zustandsbeobachter lernen, indem Sie einige Beispiele durchgehen, die einfache Mathematik beinhalten. Dies wird Ihnen helfen zu verstehen, was ein Kalman-Filter ist und wie er funktioniert. Auf hoher Ebene sind Kalman-Filter eine Art optimaler Zustandsschätzer. Die Videos enthalten auch eine Diskussion über nichtlineare Zustandsschätzer, wie erweiterte und unscented Kalman-Filter.
Abschließend zeigt ein Beispiel, wie die Zustände eines linearen Systems mithilfe von Kalman-Filtern, MATLAB® und Simulink® geschätzt werden können.
Teil 1: Wozu werden Kalman-Filter verwendet?
Entdecken Sie häufige Anwendungsfälle von Kalman-Filtern, indem Sie sich einige Beispiele ansehen. Ein Kalman-Filter ist ein Algorithmus zur optimalen Schätzung, um Systemzustände aus indirekten und unsicheren Messungen zu schätzen.
Lernen Sie die Arbeitsprinzipien von Zustandsbeobachtern kennen und entdecken Sie die Mathematik, die ihnen zugrunde liegt. Zustandsbeobachter werden verwendet, um die internen Zustände eines Systems zu schätzen, wenn diese nicht direkt gemessen werden können.
Teil 3: Optimaler Zustandschätzer
Lernen Sie, wie Kalman-Filter funktionieren. Kalman-Filter kombinieren zwei Informationsquellen, nämlich die vorhergesagten Zustände und verrauschte Messungen, um optimale, unverfälschte Schätzungen zu erzeugen.
Ein optimaler Zustandsschätzalgorithmus
Entdecken Sie den Gleichungssatz, den Sie zur Implementierung des Kalman-Filter-Algorithmus benötigen.
Dieses Video erklärt die grundlegenden Prinzipien hinter nichtlinearen Zustandsschätzern, einschließlich erweiterter Kalman-Filter, unscented Kalman-Filter und Partikelfilter.
Kalman-Filter in Simulink verwenden
Schätzen Sie die Winkelposition eines einfachen Pendelsystems mithilfe eines Kalman-Filters in Simulink. Sie werden lernen, wie man die Parameter des Kalman-Filter-Blocks konfiguriert, wie das Systemmodell, die anfänglichen Zustandsabschätzungen und die Rauschcharakteristika.
Erweiterte Kalman-Filter in Simulink verwenden
Schätzen Sie die Winkelposition eines nichtlinearen Pendelsystems mithilfe eines erweiterten Kalman-Filters. Sie werden lernen, wie man Parameter des Extended Kalman Filter-Blocks wie Zustandsübergangs- und Messfunktionen spezifiziert und C/C++ Code generiert.
