In de statistiek- en regeltheorie is Kalman-filtering, ook bekend als lineaire kwadratische schatting, een algoritme dat gebruikmaakt van een reeks metingen die in de loop van de tijd zijn waargenomen, waaronder statistische ruis en …
Wat doen Kalman-filters?
Kalman-filters worden gebruikt om de variabelen van interesse optimaal te schatten wanneer ze niet direct kunnen worden gemeten, maar er is een indirecte meting beschikbaar. Ze worden ook gebruikt om de beste schatting van toestanden te vinden door metingen van verschillende sensoren te combineren in de aanwezigheid van ruis.
Waarom is het Kalman-filter goed?
Kalman-filters zijn ideaal voor systemen die continu veranderen. Ze hebben het voordeel dat ze weinig geheugen hebben (ze hoeven geen andere geschiedenis dan de vorige staat bij te houden), en ze zijn erg snel, waardoor ze zeer geschikt zijn voor re altime problemen en embedded systemen.
Waarom is Kalman-filtering zo populair?
Het gebruik van een kalman-filter met venster voor het herlineariseren van eerdere toestanden of bij gecorreleerde waarnemingen door tijdstappen, is vaak veel gemakkelijker om de normale vergelijkingen te gebruiken. Bovendien kan de covariantiematrix van het kalman-filter in de loop van de tijd in een niet-positieve semidefinitie terechtkomen.
Wat is een Kalman-filter voor tracking?
Kalman-filtering (KF) [5] wordt veel gebruikt om bewegende objecten te volgen, waarmee we de snelheid en zelfs versnelling van een object kunnen schatten door de locatie te meten. echter, denauwkeurigheid van KF is afhankelijk van de aanname van lineaire beweging voor elk te volgen object.
