Kalman 滤波器-外文翻译

1.简介

当我们预测现实世界的时候，基于数学的有力工具Kalman 滤波器正在扮演计算机图形学的一个逐渐重要的角色工具。好消息是你不一定要是数学的天才去了解而且有效地使用Kalman 滤波。Kalman 滤波器的计算机应用大约有30 年之久，不过它( 而且是最佳估计) 最近已经开始在各式各样的计算机图形申请中出现。Kalman 滤波器是对于比较大的类型的问题甚至更大类型的问题的估计是一个非常有效的和有用的工具。藉由一些概念上的工具，Kalman 滤波器实际上是非常容易使用的。在数学工具的重要工具箱里面能作为来自吵杂的感应器测量，最众所周知的以及常用的工具是即是Kalman 滤波器. Kalman 滤波器依Rudolph E. Kalman 命名, 在1960 年出版了他的描述对离散数据线性滤波问题(Kalman 1960) 的回归解决办法的著名论作。更完整的介绍讨论能在(Sorenson 1970)中找到, 也包含一些有趣的历史叙述。比较广泛的叁考包括(Gelb 1974; Maybeck 1979; 路易斯1986 世; Jacobs 1993;布朗和Hwang 1996; Grewal 和安德鲁2001 世). 这是对使滤波器的使用实际的数传计算机的进步在大的部份中的有可能的应得东西, 但是也到比较的单纯和滤波器本身的强健性质。

很少情况下这种条件是必需的，因为最优性实际上存在, 尽管在这种情况下滤波器在许多应用中仍然工作得很好。特别笔注释在这里，卡尔曼滤波器已经被广泛地应用在交互式计算机图形追踪。我们使用一单一限制时间的卡尔曼滤波器器在我们的HiBall追踪系统(Welch,Bishop 等人。1999; Welch,Bishop等人。2001) 这滤波器也应用到3 rdTech(3 rdTech 2000)商业中. 它也已经被应用到运动预测方面(Azuma 和Bishop 1994; Azuma 1995),而且它作为多感应器(惯性-声学) 融入到商业多方面应用中? Intersense 的追踪大区域系统(Foxlin ，Harrington)等人。1998; Intersense 2000)。还有(Fuchs(Foxlin)1993; Van Pabst 和Krekel 1993; Azarbayejani 和Pentland 1994; Emura 和Tachi 1994; Emura 和Tachi 1994; Mazuryk 和Gervautz 1995). SIGGRAPH 2001 ，洛杉矶，加州
迄今被呈现的方法中的少数个能综合多样观察的环境的方法之一。换句话说,遥控设备可以整合来自多样传感器的数据,还有过去所得的数据,或甚至现在的状态计算中之前的状态估计。达成这一个目标的最流行的技术是卡尔曼过滤。Kalman 过滤已经被用来在多种领域中计算评估那些先前获得不确定的数据。在自动机器技术一文中,Self,史密斯和Cheeseman 为联合不确定的叁考结构使用卡尔曼滤波器技术[52 ，53] 的格式( 被称作模糊变换或ATs) 源自一个方法。自动测试系描绘出一种重要的评估和联合的协方差矩阵，而且也描绘出了参考结构的转换，类如机器人内在环境和整体的参考结构的转换。

雷纳和Durrant- Whyte已经通过利用获得的声纳数据将扩展的Kalman 滤波器(EKF)应用于定位问题。与Kalman 滤波器一样，EKF方法允许整合多种数据，并且根据它们能够如何预测出当前观测结果，来优先考虑哪些数据。Leonard et al.将EKF应用到已经被预加工成几何指标的声纳数据,这些数据被用作陆标。因为这些陆标是不能辨别的,机械手为了要获得一个正确的位置估计,极度依赖于对这些数据的重要性做出正确的估计。

扩充Kalman过滤技术已经被用于多种机器人的任务中, 像是铁道跟踪, 视觉的建筑物映像以及egomotion判断以及其它相关航行的应用中,比如船的航行术和飞弹的弹道追踪[18,3,32,43,24]. 两种Kalman过滤器都有的重要缺点以及EKF是他们的本来的线性近似值的位置和观测值之间的真实关系。也就是说,Kalman 过滤技术容易信赖一个善行给出的priori 估计。由于这种原因Kalman过滤方法对于缺乏强健或失败的数据全部聚合能够进行成功预测。一些研究者已经为接近在感应器测量和一个已知的映像之间的积及的任务通信计划其它可能的方法。Beveridge ，Weiss 和Riseman, 而且Lu 和Milios 计划寻找有最少的方正[9,39]来解决的一个感应器数据的最佳注册问题.解决方法由Beveridge 和他的确同事提出计划使用一个反复叠代技术达成本来的最佳的通信, 然而Lu 和Milios 寻找一个可以得到完整的最佳的感应器数据注册的预测方法。同样地，Boley ，施泰因梅茨和萨瑟兰使用一个计算最少的方法-矩阵放置来自所有的对它是可得的预测数据,

而且藉由源自一个回归的方法逐渐地增加合并新的测量[11]支持即时实施方法。这些工作容易消极地信赖相对好的范围内的数据和有限制的输入错误的可用率。在其他的工作中，Thrun 源自贝斯定理的包括Kalman 滤波器的定位问题的盖然性的解决办法。在那一个工作中, 源自计算性的难驾驭可能性问题被建立并且实施在神经网络中。大多数的最佳化方法来自于计算过程中产生误差的最小矩阵的最优值，一些采用其他措施的建议已经被提出, 比如已经被推广的Hough变换，几何学的哈西表和哈西佛距离

标准的Kalman 滤波器

上一篇：AHP在项目管理过程中的应用-外文翻译
下一篇：系统的分析与设计-外文翻译