Python cusignal.estimation.filters.KalmanFilter用法及代碼示例

用法: class cusignal.estimation.filters.KalmanFilter(dim_x, dim_z, dim_u=0, points=1, dtype=<class 'numpy.float32'>)

這是一個multi-point卡爾曼濾波器實現https://github.com/rlabbe/filterpy/blob/master/filterpy/kalman/kalman_filter.py，具有函數的子集。

所有卡爾曼濾波器矩陣都堆疊在 X 軸上。這是為了在 GPU 上實現最佳的全局訪問。

參數：

dim_x：int: 卡爾曼濾波器的狀態變量數。例如，如果您在二維中跟蹤對象的位置和速度，dim_x 將為 4。這用於設置 P、Q 和 u 的默認大小
dim_z：int: 測量輸入的數量。例如，如果傳感器為您提供 (x,y) 中的位置，則 dim_z 將為 2。
dim_u：int(可選): 控製輸入的大小(如果正在使用)。默認值 0 表示不使用。
points：int(可選): 要跟蹤的卡爾曼濾波器點數。
dtype：dtype(可選): 計算的數據類型。

參考：

1: Dan Simon. “Optimal State Estimation.” John Wiley & Sons. p. 208-212. (2006)
2: Roger Labbe. “Kalman and Bayesian Filters in Python” https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python

例子：

這是一個使用僅讀取位置的傳感器跟蹤位置和速度的過濾器。

首先構造具有所需維度、點數和數據類型的對象。

import cupy as cp
import numpy as np

from cusignal import KalmanFilter

points = 1024
kf = KalmanFilter(dim_x=4, dim_z=2, points=points, dtype=cp.float64)

為所有卡爾曼濾波器點分配狀態(位置和速度)的初始值。

initial_location = np.array(
    [[10.0, 10.0, 0.0, 0.0]], dtype=dt
).T  # x, y, v_x, v_y
kf.x = cp.repeat(
    cp.asarray(initial_location[cp.newaxis, :, :]), points, axis=0
)

定義所有卡爾曼濾波器點的狀態轉移矩陣：

F = np.array(
    [
        [1.0, 0.0, 1.0, 0.0],  # x = x0 + v_x*dt
        [0.0, 1.0, 0.0, 1.0],  # y = y0 + v_y*dt
        [0.0, 0.0, 1.0, 0.0],  # dx = v_x
        [1.0, 0.0, 0.0, 1.0],
    ],  # dy = v_y
    dtype=dt,
)
kf.F = cp.repeat(cp.asarray(F[cp.newaxis, :, :]), points, axis=0)

定義所有卡爾曼濾波器點的測量函數：

H = np.array(
    [[1.0, 0.0, 1.0, 0.0], [0.0, 1.0, 0.0, 1.0]],
    dtype=dt,  # x_0  # y_0
)
kf.H = cp.repeat(cp.asarray(H[cp.newaxis, :, :]), points, axis=0)

定義所有卡爾曼濾波器點的協方差矩陣：

initial_estimate_error = np.eye(dim_x, dtype=dt) * np.array(
    [1.0, 1.0, 2.0, 2.0], dtype=dt
)
kf.P = cp.repeat(
    cp.asarray(initial_estimate_error[cp.newaxis, :, :]),
    points,
    axis=0,
)

定義所有卡爾曼濾波器點的測量噪聲：

measurement_noise = np.eye(dim_z, dtype=dt) * 0.01
kf.R = cp.repeat(
    cp.asarray(measurement_noise[cp.newaxis, :, :]), points, axis=0
)

定義所有卡爾曼濾波器點的過程噪聲：

現在隻需執行標準的預測/更新循環：注意：此示例僅對所有點使用相同的傳感器讀數

kf.predict()
z = get_sensor_reading() (dim_z, 1)
kf.z = cp.repeat(z[cp.newaxis, :, :], points, axis=0)
kf.update()

結果在：

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cusignal.estimation.filters.KalmanFilter。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。