卡爾曼濾波單片機

A. 有沒有會做卡爾曼濾波的大神請進

什麼類型的單片機？kalman運算量大

B. 卡爾曼濾波器有什麼作用

卡爾曼濾波器是一種由卡爾曼提出的用於時變線性系統的遞歸濾波器。這個系統可用於包含正交狀態變數的微分方程模型來描述，這種濾波器是將過去的測量估計誤差合並到新的測量誤差中來估計將來的誤差。

C. 加速度和陀螺儀結合測量目標姿態為什麼要用卡爾曼濾波結合怎樣結合的

陀螺儀產生的是模擬電壓信號經單片機AD轉換後成電壓信號，通過計算導出角加速度；加速度感測器最終產生的角度信號；在具體工作時，加速度會因微小振動產生毛刺，這就要求用卡爾曼濾波結合陀螺儀輸出的角加速度，把產生的誤差降到最小，兩者相互作用。具體實施時要好好的調整參數真正把二者的波形融合就行。望採納

D. C51能不能實現卡爾曼濾波，如果可以能不能給我代碼

卡爾曼濾波只是一個演算法,而C51是基於標准C語言擴展而來的,你只要明白卡爾曼濾波的數學表達演算法,就能用C語言寫出來卡爾曼濾波的程序,所以,C語言完全可以寫出來卡爾曼濾波演算法,C51自然也就能.

但是,這里有個但是!!!
C51雖然是基於標准C語言擴展的,但是,C51是用在51內核單片機上的,而以51內核為內核組成的單片機,大都硬體架構簡單,內存容量小,沒有專用的硬體乘法器,而且是8位的,基於以上原因,在實際應用中,51單片機是無法完成卡爾曼濾波的.
1 是沒有專用硬體乘法/除法器
2 卡爾曼濾波是一種遞歸演算法,需要極大的內存支持,51一般只有幾K內存,不足以支持龐大的
卡爾曼濾波.演算法
所以,如果你一定要卡爾曼濾波演算法,換個強大的MCU吧

E. 卡爾曼濾波

這里的Pdot是一個中間變數，你只看幾個步驟是不可能會懂的，最好要全部一起看，下面是纖細步驟：

這里用到的kalman主要分為5個步驟：

(1) X=A*X+B*angular_speed_m;
(2) P=A*P*A'+Q;
(3) X=X-KG(Z-H*X);
(4) K=P*H'(H*P*H'+R);
(5) (I-KG*H)*P;

對矩陣P的更新只有 P=A*P*A'+Q; P,A,Q都是矩陣
A=1 -TS
0 1
Q=q_acce 0
0 q_gyro

單片機目前肯定是不能計算矩陣啦，說以就自己算矩陣乘法，加法(線性代數)
P[0][0]=(KAL_A[0][0]*P[0][0]+KAL_A[0][1]*P[1][0])*KAL_A[0][0]+(KAL_A[0][0]*P[0][1]+KAL_A[0][1]*P[1][1])*KAL_A[0][1]+KAL_Q[0][0];/////////////////////

P[0][1]=(KAL_A[0][0]*P[0][0]+KAL_A[0][1]*P[1][0])*KAL_A[1][0]+(KAL_A[0][0]*P[0][1]+KAL_A[0][1]*P[1][1])*KAL_A[1][1]+KAL_Q[0][1];////////////////////

P[1][0]=(KAL_A[1][0]*P[0][0]+KAL_A[1][1]*P[1][0])*KAL_A[0][0]+(KAL_A[1][0]*P[0][1]+KAL_A[1][1]*P[1][1])*KAL_A[0][1]+KAL_Q[1][0];////////////////////

P[1][1]=(KAL_A[1][0]*P[0][0]+KAL_A[1][1]*P[1][0])*KAL_A[1][0]+(KAL_A[1][0]*P[0][1]+KAL_A[1][1]*P[1][1])*KAL_A[1][1]+KAL_Q[1][1];////////////////////

然後把等於1或0的式子直接去掉

P[0][0]=(P[0][0]+KAL_A[0][1]*P[1][0])+(P[0][1]+KAL_A[0][1]*P[1][1])*KAL_A[0][1]+q_acce;// a

P[0][1]=P[0][1]+KAL_A[0][1]*P[1][1];// b
P[1][0]=P[1][0]+P[1][1]*KAL_A[0][1];// c
P[1][1]=P[1][1]+q_gyro;// d

下面是你寫的
P[0][0] += Pdot[0] * dt;
P[1][1] += Pdot[3] * dt;
Pdot[0] = Q_angle - P[0][1] - P[1][0];
Pdot[3] = Q_gyro;
簡化，約分後
P[0][0] +=（Q_angle - P[0][1] - P[1][0]）* dt； >>對應上面的a
P[1][1] +=Q_gyro * dt; >>對應上面的d

當然我自建的kalman和你看的那個版本還是有點差異，不過我的這個版本是可以用的，你看的哪個版本也可以用，效果都差不多。
我的回答就是這樣，記得點贊哦！！！！

F. 卡爾曼濾波。

1）卡爾曼濾波器定義及應用 簡單來說，卡爾曼濾波器是一個「optimal recursive data processing algorithm（最優化自回歸數據處理演算法）」。對於解決很大部分的

G. 卡爾曼濾波的詳細原理

卡爾曼濾波（Kalman filtering）是一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的演算法。由於觀測數據中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
斯坦利·施密特(Stanley Schmidt)首次實現了卡爾曼濾波器。卡爾曼在NASA埃姆斯研究中心訪問時，發現他的方法對於解決阿波羅計劃的軌道預測很有用，後來阿波羅飛船的導航電腦使用了這種濾波器。 關於這種濾波器的論文由Swerling (1958), Kalman (1960)與 Kalman and Bucy (1961)發表。

數據濾波是去除雜訊還原真實數據的一種數據處理技術, Kalman濾波在測量方差已知的情況下能夠從一系列存在測量雜訊的數據中，估計動態系統的狀態. 由於, 它便於計算機編程實現, 並能夠對現場採集的數據進行實時的更新和處理, Kalman濾波是目前應用最為廣泛的濾波方法, 在通信, 導航, 制導與控制等多領域得到了較好的應用.

表達式
X(k)=A X(k-1)+B U(k)+W(k)

背景
斯坦利·施密特(Stanley Schmidt)首次實
現了卡爾曼濾波器。卡爾曼在NASA埃姆斯研究中心訪問時,發現他的方法對於解決阿波羅計劃的軌道預測很有用,後來阿波羅飛船的導航電腦使用了這種濾波器。關於這種濾波器的論文由Swerling (1958), Kalman (1960)與 Kalman and Bucy (1961)發表。

定義
傳統的濾波方法，只能是在有用信號與雜訊具有不同頻帶的條件下才能實現．20世紀40年代，N．維納和A．H．柯爾莫哥羅夫把信號和雜訊的統計性質引進了濾波理論，在假設信號和雜訊都是平穩過程的條件下，利用最優化方法對信號真值進行估計，達到濾波目的，從而在概念上與傳統的濾波方法聯系起來，被稱為維納濾波。這種方法要求信號和雜訊都必須是以平穩過程為條件。60年代初，卡爾曼(R．E．Kalman)和布塞(R． S．Bucy)發表了一篇重要的論文《線性濾波和預測 理論的新成果》，提出了一種新的線性濾波和預測理由論，被稱之為卡爾曼濾波。特點是在線性狀態空間表示的基礎上對有雜訊的輸入和觀測信號進行處理，求取系統狀態或真實信號。
這種理論是在時間域上來表述的，基本的概念是：在線性系統的狀態空間表示基礎上，從輸出和輸入觀測數據求系統狀態的最優估計。這里所說的系統狀態，是總結系統所有過去的輸入和擾動對系統的作用的最小參數的集合，知道了系統的狀態就能夠與未來的輸入與系統的擾動一起確定系統的整個行為。
卡爾曼濾波不要求信號和雜訊都是平穩過程的假設條件。對於每個時刻的系統擾動和觀測誤差（即雜訊），只要對它們的統計性質作某些適當的假定，通過對含有雜訊的觀測信號進行處理，就能在平均的意義上，求得誤差為最小的真實信號的估計值。因此，自從卡爾曼濾波理論問世以來，在通信系統、電力系統、航空航天、環境污染控制、工業控制、雷達信號處理等許多部門都得到了應用，取得了許多成功應用的成果。例如在圖像處理方面，應用卡爾曼濾波對由於某些雜訊影響而造成模糊的圖像進行復原。在對雜訊作了某些統計性質的假定後，就可以用卡爾曼的演算法以遞推的方式從模糊圖像中得到均方差最小的真實圖像，使模糊的圖像得到復原。

性質
①卡爾曼濾波是一個演算法，它適用於線性、離散和有限維系統。每一個有外部變數的自回歸移動平均系統(ARMAX)或可用有理傳遞函數表示的系統都可以轉換成用狀態空間表示的系統，從而能用卡爾曼濾波進行計算。
②任何一組觀測數據都無助於消除x(t)的確定性。增益K(t)也同樣地與觀測數據無關。
③當觀測數據和狀態聯合服從高斯分布時用卡爾曼遞歸公式計算得到的是高斯隨機變數的條件均值和條件方差，從而卡爾曼濾波公式給出了計算狀態的條件概率密度的更新過程線性最小方差估計，也就是最小方差估計。

形式
卡爾曼濾波已經有很多不同的實現，卡爾曼最初提出的形式一般稱為簡單卡爾曼濾波器。除此以外，還有施密特擴展濾波器、信息濾波器以及很多Bierman, Thornton 開發的平方根濾波器的變種。最常見的卡爾曼濾波器是鎖相環，它在收音機、計算機和幾乎任何視頻或通訊設備中廣泛存在。

實例
卡爾曼濾波的一個典型實例是從一組有限的，對物體位置的，包含雜訊的觀察序列中預測出物體的坐標位置及速度。在很多工程應用(雷達、計算機視覺)中都可以找到它的身影。同時，卡爾曼濾波也是控制理論以及控制系統工程中的一個重要話題。

應用
比如，在雷達中，人們感興趣的是跟蹤目標，但目標的位置、速度、加速度的測量值往往在任何時候都有雜訊。卡爾曼濾波利用目標的動態信息,設法去掉雜訊的影響，得到一個關於目標位置的好的估計。這個估計可以是對當前目標位置的估計(濾波)，也可以是對於將來位置的估計(預測)，也可以是對過去位置的估計(插值或平滑)。

擴展卡爾曼濾波（EXTEND KALMAN FILTER, EKF）
是由kalman filter考慮時間非線性的動態系統，常應用於目標跟蹤系統。

狀態估計
狀態估計是卡爾曼濾波的重要組成部分。一般來說，根據觀測數據對隨機量進行定量推斷就是估計問題，特別是對動態行為的狀態估計，它能實現實時運行狀態的估計和預測功能。比如對飛行器狀態估計。狀態估計對於了解和控制一個系統具有重要意義，所應用的方法屬於統計學中的估計理論。最常用的是最小二乘估計，線性最小方差估計、最小方差估計、遞推最小二乘估計等。其他如風險准則的貝葉斯估計、最大似然估計、隨機逼近等方法也都有應用。

狀態量
受雜訊干擾的狀態量是個隨機量，不可能測得精確值，但可對它進行一系列觀測，並依據一組觀測值，按某種統計觀點對它進行估計。使估計值盡可能准確地接近真實值，這就是最優估計。真實值與估計值之差稱為估計誤差。若估計值的數學期望與真實值相等，這種估計稱為無偏估計。卡爾曼提出的遞推最優估計理論，採用狀態空間描述法，在演算法採用遞推形式，卡爾曼濾波能處理多維和非平穩的隨機過程。

理論
卡爾曼濾波理論的提出，克服了威納濾波理論的局限性使其在工程上得到了廣泛的應用，尤其在控制、制導、導航、通訊等現代工程方面。

H. 卡爾曼濾波在單片機怎麼表示三個變數

當然是有辦法的

I. 卡爾曼濾波演算法是什麼

卡爾曼濾波是一個濾波演算法，應用非常廣泛，它是一種結合先驗經驗、測量更新的狀態估計演算法，卡爾曼濾波器是在估計線性系統狀態的過程中，以最小均方誤差為目的而推導出的幾個遞推數學等式。

卡爾曼過程中要用到的概念。即什麼是協方差，它有什麼含義，以及什麼叫最小均方誤差估計，什麼是多元高斯分布。如果對這些有了了解，可以跳過，直接到下面的分割線。

均方誤差：

它是"誤差"的平方的期望值（誤差就是每個估計值與真實值的差），也就是多個樣本的時候，均方誤差等於每個樣本的誤差平方再乘以該樣本出現的概率的和。

方差：

方差是描述隨機變數的離散程度，是變數離期望值的距離。

注意:

兩者概念上稍有差別，當你的樣本期望值就是真實值時，兩者又完全相同。最小均方誤差估計就是指估計參數時要使得估計出來的模型和真實值之間的誤差平方期望值最小。

J. 卡爾曼濾波有什麼用呀，為什麼要用在6050上面

卡爾曼濾波(Kalman filtering)一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的演算法。由於觀測數據中包括系統中的雜訊和干擾的影響，所以最優估計也可看作是濾波過程。
斯坦利·施密特(Stanley Schmidt)首次實現了卡爾曼濾波器。卡爾曼在NASA埃姆斯研究中心訪問時，發現他的方法對於解決阿波羅計劃的軌道預測很有用，後來阿波羅飛船的導航電腦使用了這種濾波器。 關於這種濾波器的論文由Swerling (1958), Kalman (1960)與 Kalman and Bucy (1961)發表。

數據濾波是去除雜訊還原真實數據的一種數據處理技術, Kalman濾波在測量方差已知的情況下能夠從一系列存在測量雜訊的數據中，估計動態系統的狀態. 由於, 它便於計算機編程實現, 並能夠對現場採集的數據進行實時的更新和處理, Kalman濾波是目前應用最為廣泛的濾波方法, 在通信, 導航, 制導與控制等多領域得到了較好的應用.