如 docs 中所写, 可以将 cv::KalmanFilter 类用作扩展卡尔曼滤波器 (EKF)。有人可以解释一下吗？
涉及的所有矩阵are declared as public所以我可以编辑所有这些。 source code用于普通(线性)卡尔曼滤波器。
我认为我应该用我的非线性系统编辑transitionMatrix，即G。
这个矩阵是我的非线性系统之一，它以 statePost 和 control 作为输入变量； ControlMatrix应该全为0吧？
但是我应该把 G 的雅可比行列式放在哪里呢？
我对更新过程有同样的疑问，我有我的非线性系统 H 用于测量矩阵。
也许我有点困惑，有人可以帮助我吗？
最佳答案
所以，我认为我想出了如何将 cv::KalmanFilter 类用作 EKF。
我是这样做的:
将
kf.statePost保存在临时变量中:temp = kf.statePost在
kf.transitionMatrix中放入转换函数的Jacobian做KF的预测步骤
使用转换函数将
<kf.statePre更改为正确的值:kf.statePre = f(temp, control)在
kf.measurementMatrix中放入测量(或校正)函数的雅可比行列式做KF的修正步骤
用正确的值更改
kf.temp5矩阵:kf.temp5 = measurement - h(statePre)其中h()是测量(或修正)函数用正确的值更改
/li>kf.statePost:kf.statePost = kf.statePre + kf.gain * kf.temp5
最后，您在 kf.statePost 中获得了系统的估计状态!
关于c++ - OpenCV 如何使用 KalmanFilter 类作为 ExtendedKF，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/21533093/