Пожалуйста, объясните, как использовать фильтр Калмана в этом уроке

Question

Парень опубликовал этот урок о слежении за объектами с использованием фильтра Калмана. Многие оценили высокую звезду, так что это не ошибка / неправильный учебник.

Тем не менее, ребята отправили следующий вопрос: " В этом коде вы сделали обнаружение в каждом кадре, и этот вывод предоставляется в качестве входных данных для фильтра Калмана. Так что вычитание фона и фильтр Калмана дадут аналогичные результаты. Поэтому, пожалуйста, вы можете объяснить использование фильтра Калмана здесь. «

У меня с ним такая же мысль. Кто-нибудь может объяснить использование фильтра Калмана здесь?

Answer 1

Простое обнаружение с вычитанием фона даст результат в каждом периоде выборки, однако результат будет шумным (из-за шума измерений и, возможно, квантования), а ошибки обнаружения будут иметь огромное влияние.

Если вы хотите наблюдать за объектом, вы обычно что-то знаете о том, как он будет двигаться. Он не будет прыгать с одной позиции на другую, а будет двигаться там непрерывно. Фильтр Калмана объединяет измерения из простого алгоритма обнаружения и объединяет их со знанием модели, имеющейся у вас об объекте (позиция не может прыгать), поэтому он фильтрует измерение и учитывает историю измерений. Рассматривая линейную систему, вы можете доказать, что фильтр Калмана является оптимальным способом фильтрации данных с учетом шума измерений системы.

Редактировать: В этом уроке фильтр Калмана, очевидно, используется для прогнозирования положения шара на следующем шаге. В нисходящем движении это работает довольно хорошо. Поскольку фильтр ничего не знает о полу, предсказание, конечно, неверно, когда мяч падает на землю. Во время движения вверх прогноз все еще страдает от этой ошибки.

Answer 2

Интуитивно понятный обзор работ Кальмана по принципу наименьшего среднего квадрата. Он вычисляет 2 параметра, которые связаны с коэффициентом усиления Калмана. Вы можете думать об этом так: есть 2 параметра, один для наблюдаемого, другой для прогнозирования, т.е. 2 параметра дадут больший вес, чтобы доверять наблюдаемым данным, и меньше для данных прогноза, или наоборот, для адаптации в следующем раунде, если «предположение» верно. Если нет, ошибка будет влиять на усиление для соответствующей корректировки. Таким образом, фильтр Калмана, как и Винер, называется «адаптивным».