我有一个卡尔曼滤波器,用状态向量(x,y,dx/dt,dy/dt)跟踪一个点。
在给定的更新中,我有一组候选点,这些候选点可能对应于被跟踪的点。我想迭代这些候选者,并选择最有可能对应于被跟踪点的候选者,但前提是该点对应于被追踪点的概率大于阈值(例如p>0.5)
因此,我需要使用滤波器的协方差矩阵和状态矩阵来估计这种概率。我该怎么做?
此外,请注意,我的状态向量是四维的,但测量是二维的(x,y)。
当您用y = Hx
预测测量值时,您还将y
的协方差计算为H*P*H.T
。这个特性就是我们在卡尔曼滤波器中使用方差的原因。
了解给定点离预测点有多远的几何方法是误差椭圆或置信区。95%的置信区间是缩放到2*sigma
的椭圆(如果这不是直观的,你应该去阅读正态分布,因为KF认为这就是它正在研究的)。如果协方差是对角的,则误差椭圆将与轴对齐。如果存在共变项(如果您没有通过Q
或R
在任何地方引入它们,则可能没有),则椭圆将倾斜。
数学方法是使用Mahalanobis距离,它只是直接将上面的几何表示形式表示为距离。距离标度是标准偏差,因此P=0.5对应于0.67的距离(如果这令人惊讶,请再次参阅正态分布)。
最可能的点(我想是从检测中得到的)将是离滤波器预测最近的点。