卡尔曼滤波

（ 67） kR 为观测噪声方差矩阵 在根据上述递推公式进行卡尔曼滤波计算时需要确定动态系统的初始状态向量 和方差矩阵 ，并假设初始状态向量具有如下统计特性 0ˆX 0ˆP0 0 0ˆ ()X E X x 00ˆ ()P V a r X且 与动态噪声 和观测噪声 不相关。 0ˆX kW kV 对于常线性系统，则有 ，即它们都是常数矩阵；如果动态噪声和观测噪声都是平稳随机序列，则 、

 ˆˆ]1 ) )(kSA ( k )1)(kw1)k1 ) ) ( A ( k ) S ((kSA ( k )1)(kw1)E [ ( A ( k ) S ( k( k )ε τ11  ˆˆ]1)(k1 ) w(kE [ w] A ( k )1 ) )(kS1)1 ) ) ( S ( k(kS1)A ( k ) E [ S ( k τ11ττ

这种技术不仅需要测试过程覆盖完整的汽车行驶状况，而且要求包括完整的车辆载荷、悬架等在内的车辆参数。 可见这种神经网络估计器对于各种路况和工况行驶的汽车来说是比较费时的。 同年 Hac和 Simpson通过计算汽车左右两边不同的车轮转速大小和测量车速与侧向加速度获得两个横摆角速度的估计值。 然后根据汽车行驶条件确定每个估计的置信区间，取二者平均值后得到最后的横摆角速度估计值。 在使用建立的二自由度

本世纪 40年代，为了解决火力控制系统精确跟踪问题，维纳（ ）于 1942年提出了维纳滤波理论。 维纳根据有用信号和干扰信号的功率谱确定出线性滤波器的频率特性，首次将数理统计理论与线性系统理论有机的联系在一起，形成了对随机信号作平滑、估计或预测的最优估计新理论。 比维纳稍早，前苏联科学家戈尔莫克罗夫（ ）于1941年也曾提出过类似的理论。 维纳给

方误差 Q的测定一般是很困难的，因为我们不能直接得到观测估计过 程。 有时候相关简单的系统模型能产生可能的结果，如果通过选择 Q它注入足够不确定进入过程。 的确，在这种情况下，我们希望系统测量值是可信的。 在另一种情况，无论我们是否选择一个有理数参数，时间前级滤波器参数（统计说）通过调整滤波器参数 Q和 R便能得到。 这个调整经常离线操作，通常的在系统中，另一种（明显的）