无人驾驶汽车系统入门 | 卡尔曼滤波与目标追踪

无人驾驶汽车系统入门（一）——卡尔曼滤波与目标追踪

说明：

• 介绍无人驾驶汽车系统感知模块的重要技术——卡尔曼滤波

卡尔曼滤波按如下三个章节说明：

• 卡尔曼滤波与行人状态估计

• 扩展卡尔曼滤波（EKF）与传感器融合

• 处理模型，无损卡尔曼滤波（UKF）与车辆状态轨迹

本节为卡尔曼滤波，主要讲解卡尔曼滤波的具体推导，卡尔曼滤波在行人状态估计中的一个小例子。

为什么要学卡尔曼滤波？

• 卡尔曼滤波以及其扩展算法能够应用于目标状态估计，如果这个目标是行人，那么就是行人状态估计（或者说行人追踪）

• 如果这个目标是自身，那么就是车辆自身的追踪（结合一些地图的先验，GPS等数据的话就是自身的定位）。

• 在很多的无人驾驶汽车项目中，都能找到卡尔曼滤波的扩展算法的身影（比如说EKF，UKF等等）。

• 本节我们从最简单的卡尔曼滤波出发，完整的理解一遍卡尔曼滤波的推导过程，并实现一个简单的状态估计Python程序。

卡尔曼滤波是什么？

• 我们通常要对一些事物的状态去做估计，为什么要做估计呢？因为我们通常无法精确的知道物体当前的状态。

• 为了估计一个事物的状态，我们往往会去测量它，但是我们不能完全相信我们的测量，因为我们的测量是不精准的，它往往会存在一定的噪声，这个时候我们就要去估计我们的状态。

• 卡尔曼滤波就是一种结合预测（先验分布）和测量更新（似然）的状态估计算法。

概率论的知识基础

• 下面是一些概率论的基础知识，如果之前有这方面的知识储备那当然是最好的，很有利于我们理解整个博客内容

• 如果没有这方面的基础而且也看不懂下面的内容也没关系，我会以一个相对直观的方式来展现整个理论部分。

• 先验概率 P(X)P(X)：仅仅依赖主观上的经验，事先根据已有的只是的推断

• 后验概率 P(X|Z)P(X|Z)：是在相关证据或者背景给定并纳入考虑以后的条件概率

• 似然 P(Z|X)P(Z|X)：已知结果区推测固有性质的可能性

• 贝叶斯公式：