Vereinfachte Kovarianzaktualisierungsgleichung

In vielen Lehrbüchern findet man eine vereinfachte Form der Kovarianzaktualisierungsgleichung (Covariance Update Equation):

\[ \boldsymbol{P}_{n,n} = \left(\boldsymbol{I} - \boldsymbol{K}_{n}\boldsymbol{H} \right) \boldsymbol{P}_{n,n-1} \]

Um diese vereinfachte Form der Kovarianzaktualisierungsgleichung herzuleiten, setzt man die Kalman-Gain-Gleichung (Kalman Gain equation) in die Kovarianzaktualisierungsgleichung ein.

Kalman-Filter-Buch
Beispielorientierter Leitfaden zum Kalman-Filter
Hinweise
\( \boldsymbol{P}_{n,n} = \boldsymbol{P}_{n,n-1} - \boldsymbol{P}_{n,n-1}\boldsymbol{H}^{T}\boldsymbol{K}_{n}^{T} - \boldsymbol{K}_{n}\boldsymbol{HP}_{n,n-1} + \\ + \color{#7030A0}{\boldsymbol{K}_{n}} \left(\boldsymbol{HP}_{n,n-1}\boldsymbol{H}^{T} + \boldsymbol{R}_{n} \right) \boldsymbol{K}_{n}^{T} \) Kovarianzaktualisierungsgleichung nach dem Ausmultiplizieren (expansion)
\( \boldsymbol{P}_{n,n} = \boldsymbol{P}_{n,n-1} - \boldsymbol{P}_{n,n-1}\boldsymbol{H}^{T}\boldsymbol{K}_{n}^{T} - \boldsymbol{K}_{n}\boldsymbol{HP}_{n,n-1} + \\ + \color{#7030A0}{ \boldsymbol{P}_{n,n-1}\boldsymbol{H}^{T}\left(\boldsymbol{HP}_{n,n-1}\boldsymbol{H}^{T} + \boldsymbol{R}_{n} \right)^{-1} } \left(\boldsymbol{HP}_{n,n-1}\boldsymbol{H}^{T} + \boldsymbol{R}_{n} \right) \boldsymbol{K}_{n}^{T} \) Setzen Sie die Kalman-Gain-Gleichung (Kalman Gain equation) ein
\( \boldsymbol{P}_{n,n} = \boldsymbol{P}_{n,n-1} - \boldsymbol{P}_{n,n-1}\boldsymbol{H}^{T}\boldsymbol{K}_{n}^{T} - \boldsymbol{K}_{n}\boldsymbol{HP}_{n,n-1} + \\ + \boldsymbol{P}_{n,n-1}H^{T} \boldsymbol{K}_{n}^{T} \) \( \left(\boldsymbol{HP}_{n,n-1}\boldsymbol{H}^{T} + \boldsymbol{R}_{n} \right)^{-1} \times \\ \times \left(\boldsymbol{HP}_{n,n-1}\boldsymbol{H}^{T} + \boldsymbol{R}_{n} \right) = 1 \)
\( \boldsymbol{P}_{n,n} = \boldsymbol{P}_{n,n-1} - \boldsymbol{K}_{n}\boldsymbol{HP}_{n,n-1} \)
\( \boldsymbol{P}_{n,n} = \left(\boldsymbol{I} - \boldsymbol{K}_{n}\boldsymbol{H} \right)\boldsymbol{P}_{n,n-1} \)
Warnung! Diese Gleichung ist viel eleganter und leichter zu merken, und sie liefert in vielen Fällen gute Ergebnisse. Allerdings kann ein kleiner Fehler bei der Berechnung des Kalman-Gain (z. B. durch Rundungsfehler (round-off)) zu großen Rechenfehlern führen. Die Subtraktion \( (\boldsymbol{I} - \boldsymbol{K}_{n}\boldsymbol{H}) \) kann aufgrund von Gleitkommafehlern (floating-point errors) zu nicht-symmetrischen Matrizen (nonsymmetric matrices) führen. Diese Gleichung ist numerisch instabil (numerically unstable)!

Weitere Details finden Sie in: „Bucy, R. S., and Joseph, P. D. (1968). Filtering for Stochastic Processes with Applications to Guidance. Interscience, New York“, Kapitel 16, Abschnitt „Roundoff errors“.

Zurück Weiter