カルマンフィルタの基礎 第5回
前回のカルマンフィルタの設計をPythonで実践する
また、数値シミュレーションで動作も確認する
カルマンフィルタのアルゴリズム
以下の状態空間モデルに対するカルマンフィルタのアルゴリズムを整理する
予測ステップ
フィルタリングステップ
カルマンフィルタの数値シミュレーション
今回は、下記の状態空間モデルを考える
1入力 / 1出力 かつ 1次元状態変数
カルマンフィルタの実装(スカラ)
カルマンフィルタの関数を定める
スカラなので、行列演算が簡略化されている
import matplotlib.pyplot as plt import numpy as np import pandas as pd def kf_scalar(A_, b_, c_, sigma_nu, sigma_omega, y_, xhat, P_): xhatm = A_ * xhat Pm = A_ * P_ * A_ + sigma_nu * b_ * b_ g_ = Pm * c_ / (c_ * Pm * c_ + sigma_omega) xhat_new = xhatm + g_ * (y_ - c_ * xhatm) P_new = (1. - g_ * c_) * Pm return xhat_new, P_new, g_
数値シミュレーションの実施
A_ = 1. b_ = 1. c_ = 1. sigma_nu2 = 1. sigma_omega2 = 10.
N_ = 300 np.random.seed(0) v_ = np.random.randn() * np.sqrt(sigma_nu2) # システム雑音 w_ = np.random.randn() * np.sqrt(sigma_omega2) # 観測雑音 x_arr = [0.] y_arr = [c_ * x_arr[0] + w_] xhat_arr = [0.] P_arr = [0.] for i in range(1, N_): v_ = np.random.randn() * np.sqrt(sigma_nu2) # システム雑音 w_ = np.random.randn() * np.sqrt(sigma_omega2) # 観測雑音 x_ = A_ * x_arr[-1] + b_ * v_ y_ = c_ * x_ + w_ x_arr += [x_] y_arr += [y_] xhat, P_, g_ = kf_scalar(A_, b_, c_, sigma_nu2, sigma_omega2, y_, xhat_arr[-1], P_arr[-1]) xhat_arr += [xhat] P_arr += [P_] x_arr = np.array(x_arr) y_arr = np.array(y_arr) xhat_arr = np.array(xhat_arr) P_arr = np.array(P_arr)
シミュレーション結果の確認
fig = plt.figure(figsize=(6, 5)) ax1 = fig.add_subplot(111) ax1.plot(y_arr, ls='-', label='$y$') ax1.plot(xhat_arr, ls='--', label='$\hat{x}$') ax1.plot(x_arr, ls='-', alpha=0.6, label='$x$') ax1.set_xlabel('$k$') ax1.set_ylabel('$x$') ax1.grid(ls=':'); ax1.legend() fig.tight_layout()
観測値 より、カルマンフィルタによる推定値 が 真値 を良く再現していることが分かる
共分散行列の確認
最後に、事後共分散行列 を確認しておく
fig = plt.figure(figsize=(6, 5)) ax1 = fig.add_subplot(111) ax1.plot(P_arr, '.-', label='$P$') ax1.text(x=200, y=1.5, s='P[-1] = %7f' % P_arr[-1]) ax1.set_xlabel('$k$') ax1.set_ylabel('$P(k)$') ax1.grid(ls=':'); ax1.legend() fig.tight_layout()
参考文献
この記事は以下の書籍を参考にしましたが、
私の拙い知識で書いておりますので、誤り等ありましたらご指摘ください