66 lines
3.1 KiB
C
66 lines
3.1 KiB
C
/**
|
||
* @author Liu heng
|
||
* 一阶卡尔曼滤波器来自RoboMaster论坛
|
||
* 一维卡尔曼滤波器
|
||
* 使用时先定义一个kalman指针，然后调用kalmanCreate()创建一个滤波器
|
||
* 每次读取到传感器数据后即可调用KalmanFilter()来对数据进行滤波
|
||
* 使用示例
|
||
* extKalman p; //定义一个卡尔曼滤波器结构体
|
||
* float SersorData; //需要进行滤波的数据
|
||
* KalmanCreate(&p,20,200); //初始化该滤波器的Q=20 R=200参数
|
||
* while(1)
|
||
* {
|
||
* SersorData = sersor(); //获取数据
|
||
* SersorData = KalmanFilter(&p,SersorData); //对数据进行滤波
|
||
* }
|
||
*/
|
||
|
||
#include "kalman.h"
|
||
|
||
/**
|
||
* @name kalmanCreate
|
||
* @brief 创建一个卡尔曼滤波器
|
||
* @param p: 滤波器
|
||
* T_Q:系统噪声协方差
|
||
* T_R:测量噪声协方差
|
||
*
|
||
* @retval none
|
||
* @attention R固定，Q越大，代表越信任侧量值，Q无穷代表只用测量值
|
||
* 反之，Q越小代表越信任模型预测值，Q为零则是只用模型预测
|
||
*/
|
||
void KalmanCreate(extKalman_t *p,float T_Q,float T_R)
|
||
{
|
||
p->X_last = (float)0;
|
||
p->P_last = 0;
|
||
p->Q = T_Q;
|
||
p->R = T_R;
|
||
p->A = 1;
|
||
p->B = 0;
|
||
p->H = 1;
|
||
p->X_mid = p->X_last;
|
||
}
|
||
|
||
/**
|
||
* @name KalmanFilter
|
||
* @brief 卡尔曼滤波器
|
||
* @param p: 滤波器
|
||
* dat:待滤波数据
|
||
* @retval 滤波后的数据
|
||
* @attention Z(k)是系统输入,即测量值 X(k|k)是卡尔曼滤波后的值,即最终输出
|
||
* A=1 B=0 H=1 I=1 W(K) V(k)是高斯白噪声,叠加在测量值上了,可以不用管
|
||
* 以下是卡尔曼的5个核心公式
|
||
* 一阶H'即为它本身,否则为转置矩阵
|
||
*/
|
||
|
||
float KalmanFilter(extKalman_t* p,float dat)
|
||
{
|
||
p->X_mid =p->A*p->X_last; //百度对应公式(1) x(k|k-1) = A*X(k-1|k-1)+B*U(k)+W(K)
|
||
p->P_mid = p->A*p->P_last+p->Q; //百度对应公式(2) p(k|k-1) = A*p(k-1|k-1)*A'+Q
|
||
p->kg = p->P_mid/(p->P_mid+p->R); //百度对应公式(4) kg(k) = p(k|k-1)*H'/(H*p(k|k-1)*H'+R)
|
||
p->X_now = p->X_mid+p->kg*(dat-p->X_mid); //百度对应公式(3) x(k|k) = X(k|k-1)+kg(k)*(Z(k)-H*X(k|k-1))
|
||
p->P_now = (1-p->kg)*p->P_mid; //百度对应公式(5) p(k|k) = (I-kg(k)*H)*P(k|k-1)
|
||
p->P_last = p->P_now; //状态更新
|
||
p->X_last = p->X_now;
|
||
return p->X_now; //输出预测结果x(k|k)
|
||
}
|