[论文解读] A Step by Step Mathematical Derivation and Tutorial on Kalman Filters

Hamed Masnadi-Shirazi, Alireza Masnadi-Shirazi+1 more|arXiv (Cornell University)|Oct 8, 2019

Target Tracking and Data Fusion in Sensor Networks参考文献 10被引用 5

一句话总结

本文通过两种不同的理论框架——希尔伯特空间中的正交投影和贝叶斯最优滤波——对卡尔曼滤波器进行了全面且逐步的数学推导。它以完全解析的严谨性推导出标准的预测与更新方程，确立了在线性高斯假设下，卡尔曼滤波器是最小均方误差估计器的最优解。

ABSTRACT

We present a step by step mathematical derivation of the Kalman filter using two different approaches. First, we consider the orthogonal projection method by means of vector-space optimization. Second, we derive the Kalman filter using Bayesian optimal filtering. We provide detailed proofs for both methods and each equation is expanded in detail.

研究动机与目标

• 通过希尔伯特空间中随机向量的正交投影，提供卡尔曼滤波器的完整、教学性的推导。
• 利用贝叶斯最优滤波理论重新推导卡尔曼滤波器，确立其作为最大后验概率（MAP）估计器的等价性。
• 为两种推导中的每一项方程提供详细、逐步的证明，确保数学上的清晰与完整。
• 在一个统一框架内整合卡尔曼滤波器的两种主要理论解释——频率学派（最小方差）与贝叶斯学派（MAP）——。
• 作为教程资源，为希望深入理解卡尔曼滤波数学原理的研究人员和学生提供完整的推导过程。

提出的方法

• 利用希尔伯特空间理论，将卡尔曼滤波器表述为通过随机向量正交投影实现的最小均方误差估计器。
• 应用高斯-马尔可夫估计理论，在线性高斯假设下推导最优线性无偏估计器。
• 通过计算给定测量值下状态的后验分布，利用贝叶斯方法推导卡尔曼滤波方程。
• 应用矩阵求逆引理（伍德伯里恒等式）以简化更新后误差协方差矩阵的表达式。
• 将卡尔曼增益推导为最小化后验误差协方差的最优加权因子。
• 通过结合高斯似然函数与先验分布，推导出后验分布为高斯分布，从而实现闭式更新方程。

实验结果

研究问题

• RQ1 如何从希尔伯特空间中正交投影原理严格推导出卡尔曼滤波器？
• RQ2 卡尔曼滤波器的贝叶斯解释是什么？它如何导致与频率学派方法相同的更新方程？
• RQ3 卡尔曼增益矩阵在最小化估计误差方差方面的数学依据是什么？
• RQ4 预测与更新步骤如何从状态与测量的联合高斯分布中自然导出？
• RQ5 矩阵求逆引理在简化后验协方差表达式中起到什么作用？

主要发现

• 卡尔曼滤波器在数学上等价于通过希尔伯特空间中正交投影推导出的最小均方误差估计器。
• 给定测量值下状态的后验分布为高斯分布，其均值等于更新后的估计值，协方差等于先验与测量精度矩阵之和的逆矩阵。
• 卡尔曼增益矩阵被推导为 $ K_k = P_{k|k-1}H_k^T(R_k + H_kP_{k|k-1}H_k^T)^{-1} $，该表达式可最小化后验误差协方差。
• 更新后的状态估计为 $ \hat{x}_{k|k} = \hat{x}_{k|k-1} + K_k(z_k - H_k\hat{x}_{k|k-1}) $，表示对预测状态的创新量修正。
• 更新后的误差协方差为 $ P_{k|k} = (I - K_kH_k)P_{k|k-1} $，其值始终小于先验协方差，证实了误差的减小。
• 推导结果表明，在线性与高斯噪声假设下，卡尔曼滤波器是最优的，能最小化均方估计误差。