1. 先搞清楚卡爾曼濾波在二維軌跡跟蹤里到底解決什么問題如果你正在處理傳感器數(shù)據(jù)比如雷達(dá)、攝像頭或者GPS傳回來的目標(biāo)位置點(diǎn)最頭疼的往往不是數(shù)據(jù)太少而是數(shù)據(jù)太“臟”。這些原始數(shù)據(jù)點(diǎn)通常帶有噪聲位置會(huì)跳來跳去直接連起來的軌跡可能像醉漢走路根本沒法用來做可靠的預(yù)測(cè)或分析。這時(shí)候卡爾曼濾波的價(jià)值就體現(xiàn)出來了它不是一個(gè)簡(jiǎn)單的平滑器而是一個(gè)狀態(tài)估計(jì)器。它能根據(jù)你提供的系統(tǒng)模型比如目標(biāo)是怎么運(yùn)動(dòng)的和觀測(cè)到的帶噪聲數(shù)據(jù)實(shí)時(shí)地、遞歸地“猜”出目標(biāo)最可能的狀態(tài)位置、速度等并給出這個(gè)猜測(cè)的置信度協(xié)方差。所以基于卡爾曼濾波的二維軌跡跟蹤核心是兩件事第一濾除觀測(cè)噪聲讓軌跡看起來更平滑、更合理第二也是更重要的預(yù)測(cè)目標(biāo)下一時(shí)刻的狀態(tài)。這對(duì)于需要提前做出反應(yīng)的系統(tǒng)比如自動(dòng)駕駛的防撞、無人機(jī)跟蹤至關(guān)重要。很多人一上來就埋頭寫代碼結(jié)果發(fā)現(xiàn)濾波效果不好問題往往出在第一步?jīng)]有想清楚你的系統(tǒng)模型是什么。你是假設(shè)目標(biāo)在做勻速運(yùn)動(dòng)、勻加速運(yùn)動(dòng)還是有轉(zhuǎn)彎模型這個(gè)模型選錯(cuò)了后面參數(shù)調(diào)上天也沒用。我一般會(huì)建議在打開Matlab之前先用紙筆畫一下你的目標(biāo)大概是怎么動(dòng)的觀測(cè)數(shù)據(jù)里噪聲的主要特點(diǎn)是什么是高斯白噪聲嗎想清楚這兩個(gè)問題再去看那些“狀態(tài)方程”和“觀測(cè)方程”就不會(huì)覺得是一團(tuán)符號(hào)了。這個(gè)項(xiàng)目適合所有需要處理時(shí)序位置數(shù)據(jù)、想做預(yù)測(cè)和去噪的同學(xué)不管是做畢設(shè)、科研還是工程原型開發(fā)。最關(guān)鍵的能力不是實(shí)現(xiàn)算法本身而是根據(jù)實(shí)際問題定義和調(diào)整模型參數(shù)的能力。2. 動(dòng)手前理解模型與準(zhǔn)備Matlab環(huán)境卡爾曼濾波的公式看起來嚇人但落實(shí)到二維軌跡跟蹤我們可以把它拆解成幾個(gè)實(shí)實(shí)在在的矩陣。這是理解后續(xù)所有代碼和調(diào)試的基礎(chǔ)。2.1 定義狀態(tài)向量與模型對(duì)于二維平面上的一個(gè)點(diǎn)我們最關(guān)心的狀態(tài)是什么通常是位置 (x, y) 和速度 (vx, vy)。所以狀態(tài)向量X可以定義為X [x; y; vx; vy]接下來你需要一個(gè)模型來描述這個(gè)狀態(tài)是如何隨時(shí)間變化的。最常用、也是最基礎(chǔ)的模型是勻速Constant Velocity, CV模型。它假設(shè)目標(biāo)在相鄰兩個(gè)時(shí)刻之間速度保持不變。這個(gè)假設(shè)雖然簡(jiǎn)單但對(duì)于很多短時(shí)、非機(jī)動(dòng)的跟蹤場(chǎng)景已經(jīng)足夠有效。基于CV模型我們可以寫出狀態(tài)轉(zhuǎn)移方程X_k F * X_{k-1} w_k其中F是狀態(tài)轉(zhuǎn)移矩陣w_k是過程噪聲代表了模型的不確定性比如目標(biāo)可能輕微加速或減速。在離散時(shí)間下如果時(shí)間間隔是dt那么對(duì)于我們的4維狀態(tài)向量F矩陣長(zhǎng)這樣F [1, 0, dt, 0; 0, 1, 0, dt; 0, 0, 1, 0; 0, 0, 0, 1];這個(gè)矩陣的意思很直觀新位置 舊位置 速度 * 時(shí)間間隔新速度 舊速度。2.2 定義觀測(cè)模型我們的傳感器比如雷達(dá)通常不直接測(cè)量速度它只測(cè)量位置。所以觀測(cè)向量Z是Z [zx; zy]測(cè)量到的x和y坐標(biāo)。觀測(cè)方程描述了狀態(tài)如何映射到觀測(cè)值Z_k H * X_k v_k其中H是觀測(cè)矩陣v_k是觀測(cè)噪聲傳感器誤差。因?yàn)橛^測(cè)只包含位置所以H矩陣就是從4維狀態(tài)中提取出前兩維位置H [1, 0, 0, 0; 0, 1, 0, 0];2.3 理解噪聲協(xié)方差矩陣調(diào)參的關(guān)鍵這是卡爾曼濾波里最需要經(jīng)驗(yàn)、也最容易調(diào)錯(cuò)的地方。它有兩個(gè)核心矩陣過程噪聲協(xié)方差矩陣 Q它表示你對(duì)模型的信任程度。如果你認(rèn)為目標(biāo)非常嚴(yán)格地按勻速運(yùn)動(dòng)Q 應(yīng)該設(shè)得很小如果你認(rèn)為目標(biāo)可能會(huì)頻繁地、隨機(jī)地加減速或改變方向Q 就應(yīng)該設(shè)得大一些。Q 的大小直接影響濾波器的“預(yù)測(cè)權(quán)重”。Q 太大濾波器會(huì)過于依賴新來的觀測(cè)值軌跡會(huì)緊跟噪聲點(diǎn)跳動(dòng)Q 太小濾波器會(huì)過于相信自己的預(yù)測(cè)對(duì)觀測(cè)變化反應(yīng)遲鈍軌跡會(huì)有滯后。一個(gè)常見的初始化方法是設(shè)Q q * eye(4)然后通過調(diào)整標(biāo)量q來觀察效果。q通常是一個(gè)很小的值比如 1e-5 到 1e-2 之間需要根據(jù)你的dt和運(yùn)動(dòng)劇烈程度來定。觀測(cè)噪聲協(xié)方差矩陣 R它表示你對(duì)傳感器的信任程度。這個(gè)值通?？梢詮膫鞲衅鞯募夹g(shù)手冊(cè)里找到或者通過分析靜止目標(biāo)的觀測(cè)數(shù)據(jù)統(tǒng)計(jì)得到。R 越大說明你認(rèn)為傳感器噪聲越大濾波器會(huì)更多地相信自己的預(yù)測(cè)R 越小說明傳感器很準(zhǔn)濾波器會(huì)更緊跟觀測(cè)值。對(duì)于二維位置觀測(cè)R 通常是一個(gè) 2x2 的對(duì)角矩陣對(duì)角線上的值就是 x 和 y 坐標(biāo)的觀測(cè)噪聲方差。例如如果測(cè)量誤差的標(biāo)準(zhǔn)差大約是 0.5 米那么方差就是 0.25可以設(shè)R [0.25, 0; 0, 0.25]。環(huán)境準(zhǔn)備確保你有一個(gè)能運(yùn)行的 Matlab。對(duì)于這個(gè)項(xiàng)目任何近幾年的版本如 R2019b, R2022a, R2024b都可以不需要特殊的工具箱基礎(chǔ)功能就夠。代碼的核心是矩陣運(yùn)算對(duì)性能要求不高普通電腦即可。我建議在動(dòng)手寫代碼前先在腳本開頭定義好這些常量和初始矩陣方便后續(xù)修改dt 1; % 時(shí)間步長(zhǎng)根據(jù)你的數(shù)據(jù)采樣周期來設(shè)比如1秒 F [1, 0, dt, 0; 0, 1, 0, dt; 0, 0, 1, 0; 0, 0, 0, 1]; % 狀態(tài)轉(zhuǎn)移矩陣 H [1, 0, 0, 0; 0, 1, 0, 0]; % 觀測(cè)矩陣 % 初始化噪聲協(xié)方差矩陣這里給的是示例值需要你根據(jù)實(shí)際情況調(diào)整 Q 1e-5 * eye(4); % 過程噪聲協(xié)方差 R 0.25 * eye(2); % 觀測(cè)噪聲協(xié)方差3. 從零實(shí)現(xiàn)卡爾曼濾波跟蹤一個(gè)完整的Matlab流程理論清楚了我們開始用Matlab把它跑起來。我會(huì)按照“初始化 - 預(yù)測(cè) - 更新 - 循環(huán)”的順序把每一步的代碼和背后的意圖都講清楚。3.1 初始化設(shè)定起點(diǎn)和不確定性在收到第一個(gè)觀測(cè)數(shù)據(jù)之前你需要給濾波器一個(gè)初始狀態(tài)和初始不確定性。% 假設(shè)第一個(gè)觀測(cè)值是 z0 [z_x0; z_y0] z0 [100; 50]; % 示例初始位置 % 初始狀態(tài)估計(jì)我們只有位置觀測(cè)沒有速度觀測(cè)所以速度先設(shè)為0 X_est [z0(1); z0(2); 0; 0]; % 初始估計(jì)誤差協(xié)方差 P表示我們對(duì)初始估計(jì)的不確定度。 % 位置不確定度可以設(shè)得小一些因?yàn)槟阌杏^測(cè)速度不確定度設(shè)得大一些因?yàn)橥耆遣碌摹?P_est diag([10, 10, 100, 100]); % 這是一個(gè)常用的啟發(fā)式設(shè)置 % 對(duì)角線元素分別對(duì)應(yīng) x, y, vx, vy 的方差估計(jì)。3.2 核心循環(huán)預(yù)測(cè)與更新這是卡爾曼濾波的主干對(duì)于每一個(gè)新的觀測(cè)點(diǎn)z_k執(zhí)行以下兩步第一步預(yù)測(cè)Predict根據(jù)上一時(shí)刻的最優(yōu)估計(jì)預(yù)測(cè)當(dāng)前時(shí)刻的狀態(tài)和不確定性。% 1. 預(yù)測(cè)狀態(tài) X_pred F * X_est; % 利用狀態(tài)轉(zhuǎn)移矩陣F進(jìn)行預(yù)測(cè) % 2. 預(yù)測(cè)誤差協(xié)方差 P_pred F * P_est * F Q; % F是F的轉(zhuǎn)置 % 注意這里的公式是簡(jiǎn)化版假設(shè)過程噪聲w與狀態(tài)無關(guān)。Q加在這里代表了模型不確定性隨時(shí)間累積。第二步更新Update也叫校正結(jié)合新的觀測(cè)值z(mì)_k修正預(yù)測(cè)值得到當(dāng)前時(shí)刻的最優(yōu)估計(jì)。% 3. 計(jì)算卡爾曼增益K這是核心 % K決定了我們是更相信預(yù)測(cè)K小還是更相信新觀測(cè)K大 S H * P_pred * H R; % 新息Innovation協(xié)方差 K P_pred * H / S; % 對(duì)于標(biāo)量或小矩陣直接用“/”求逆即可。對(duì)于大系統(tǒng)建議用更穩(wěn)定的求逆方法。 % 4. 用新觀測(cè)值更新狀態(tài)估計(jì) z_k [observed_x(k); observed_y(k)]; % 當(dāng)前時(shí)刻的觀測(cè)值 y z_k - H * X_pred; % 新息即觀測(cè)殘差觀測(cè)值與預(yù)測(cè)觀測(cè)值之差 X_est X_pred K * y; % 得到當(dāng)前最優(yōu)估計(jì) % 5. 更新估計(jì)誤差協(xié)方差 P_est (eye(4) - K * H) * P_pred; % 更新后的不確定性變小了 % 注意這個(gè)公式在數(shù)值計(jì)算上有時(shí)不夠穩(wěn)定更穩(wěn)健的公式是 P_est (I - K*H) * P_pred * (I - K*H) K*R*K但對(duì)我們這個(gè)小例子前者通常夠用。把這兩步放進(jìn)一個(gè)for循環(huán)遍歷你的所有觀測(cè)數(shù)據(jù)就完成了整個(gè)濾波跟蹤過程。3.3 可視化與結(jié)果判斷代碼跑通不是終點(diǎn)關(guān)鍵是判斷濾波效果。我一般會(huì)做三張圖軌跡對(duì)比圖把原始觀測(cè)點(diǎn)帶噪聲、卡爾曼濾波估計(jì)的軌跡平滑后畫在一起。用散點(diǎn)圖表示觀測(cè)用實(shí)線表示濾波軌跡。一眼就能看出濾波是否去除了噪聲軌跡是否合理。figure; plot(observations(:,1), observations(:,2), r., DisplayName, 觀測(cè)值); hold on; plot(estimated_states(:,1), estimated_states(:,2), b-, LineWidth, 1.5, DisplayName, 卡爾曼濾波估計(jì)); xlabel(X位置); ylabel(Y位置); legend; grid on; title(二維軌跡跟蹤對(duì)比);誤差分析圖對(duì)于有真實(shí)軌跡的數(shù)據(jù)比如仿真數(shù)據(jù)可以繪制估計(jì)位置與真實(shí)位置之間的誤差隨時(shí)間的變化。這能定量評(píng)估濾波性能。對(duì)于只有觀測(cè)數(shù)據(jù)的情況可以繪制新息y的序列圖理想情況下新息應(yīng)該是一個(gè)零均值的白噪聲序列。狀態(tài)分量圖分別繪制 x, y, vx, vy 的估計(jì)值隨時(shí)間的變化。這能幫你判斷速度估計(jì)是否合理模型是否適用。比如如果你用的是勻速模型但估計(jì)出的速度曲線波動(dòng)很大可能就需要考慮加速度模型勻加速模型CA或者檢查Q矩陣是否設(shè)得太小。注意不要一上來就用復(fù)雜的數(shù)據(jù)和模型。我強(qiáng)烈建議先用仿真數(shù)據(jù)測(cè)試。自己生成一條已知的真實(shí)軌跡比如勻速直線運(yùn)動(dòng)然后加上高斯白噪聲模擬觀測(cè)。這樣你既有“觀測(cè)值”也有“真實(shí)值”可以最直觀地驗(yàn)證你的卡爾曼濾波器實(shí)現(xiàn)是否正確調(diào)參效果如何。4. 參數(shù)調(diào)試與常見問題排查讓濾波器真正工作起來代碼框架搭起來容易但讓濾波器在你的數(shù)據(jù)上表現(xiàn)良好需要耐心調(diào)試。大部分問題都出在Q和R矩陣以及初始值P_est上。4.1 調(diào)試參數(shù)的經(jīng)驗(yàn)流程按照這個(gè)順序來別亂調(diào)固定 R調(diào) Q觀測(cè)噪聲R通常更容易從傳感器特性或數(shù)據(jù)統(tǒng)計(jì)中得到一個(gè)大概范圍。先把它固定在一個(gè)你認(rèn)為合理的值比如測(cè)量誤差方差。然后重點(diǎn)調(diào)整過程噪聲Q?，F(xiàn)象濾波軌跡滯后嚴(yán)重跟不上觀測(cè)點(diǎn)的快速變化?？赡茉騋太小濾波器過于相信自己的預(yù)測(cè)模型認(rèn)為目標(biāo)運(yùn)動(dòng)非常平穩(wěn)不相信新的觀測(cè)。調(diào)整增大Q。可以嘗試將Q對(duì)角線上的值尤其是和速度相關(guān)的后兩個(gè)元素提高一個(gè)數(shù)量級(jí)比如從1e-5調(diào)到1e-4?，F(xiàn)象濾波軌跡幾乎緊貼每一個(gè)噪聲觀測(cè)點(diǎn)沒有平滑效果軌跡很毛糙?？赡茉騋太大或者R太小導(dǎo)致濾波器過于信任新觀測(cè)不相信自己的預(yù)測(cè)。調(diào)整減小Q或者適當(dāng)增大R如果你確信傳感器噪聲沒那么小。觀察新息序列在更新步驟中計(jì)算的y觀測(cè)殘差序列是重要的診斷工具。在Matlab循環(huán)里把它存下來。innovation_history(:, k) y; % 保存新息畫圖查看figure; subplot(2,1,1); plot(innovation_history(1,:)); title(X方向新息); grid on; subplot(2,1,2); plot(innovation_history(2,:)); title(Y方向新息); grid on;理想情況新息序列看起來像均值為0的隨機(jī)噪聲沒有明顯的趨勢(shì)或自相關(guān)。如果新息有持續(xù)的正或負(fù)的趨勢(shì)說明模型有系統(tǒng)誤差比如你用了勻速模型但目標(biāo)在加速。這時(shí)需要考慮更復(fù)雜的模型如勻加速CA模型。如果新息序列的幅值遠(yuǎn)超你設(shè)定的R的平方根說明你的R設(shè)得太小了低估了觀測(cè)噪聲。檢查協(xié)方差收斂理論上估計(jì)誤差協(xié)方差P_est會(huì)隨著濾波進(jìn)行收斂到一個(gè)穩(wěn)態(tài)值。你可以在循環(huán)中記錄P_est對(duì)角線元素即各狀態(tài)分量的方差估計(jì)的變化。如果它很快收斂并保持穩(wěn)定說明參數(shù)設(shè)置比較合理。如果持續(xù)增長(zhǎng)或劇烈震蕩可能是Q或R設(shè)置不當(dāng)或者模型不匹配。4.2 幾個(gè)典型問題與解決思路問題濾波器運(yùn)行幾次迭代后P_est或S矩陣出現(xiàn)非正定或數(shù)值異常NaN/Inf。排查這通常是數(shù)值計(jì)算問題。確保你的Q和R矩陣是正定的對(duì)角矩陣且對(duì)角線元素為正數(shù)即可。在計(jì)算卡爾曼增益K P_pred * H / S時(shí)對(duì)于矩陣求逆使用Matlab更穩(wěn)定的inv函數(shù)或S \ (P_pred * H)注意維度。也可以考慮使用平方根濾波等數(shù)值更穩(wěn)定的變體但對(duì)于二維跟蹤通常不需要。問題速度估計(jì)值 (vx, vy) 看起來完全不對(duì)或者震蕩非常厲害。排查首先檢查你的初始速度方差P_est的第三、四個(gè)對(duì)角線元素是否設(shè)得足夠大。因?yàn)槌跏妓俣仁俏粗暮艽蟮某跏疾淮_定性可以讓濾波器更快地從觀測(cè)中學(xué)習(xí)速度。其次檢查Q矩陣中與速度相關(guān)的元素。如果目標(biāo)速度變化確實(shí)很快高機(jī)動(dòng)勻速模型可能不再適用需要考慮在狀態(tài)向量中加入加速度使用勻加速CA模型。問題濾波后的軌跡在轉(zhuǎn)彎處“切彎”或者有明顯的滯后。排查這是勻速CV模型的固有局限。它假設(shè)目標(biāo)沿直線運(yùn)動(dòng)。當(dāng)目標(biāo)真實(shí)軌跡是曲線時(shí)CV模型的預(yù)測(cè)會(huì)偏離導(dǎo)致濾波器需要時(shí)間用新觀測(cè)來“拉回”軌跡從而產(chǎn)生滯后。對(duì)于有機(jī)動(dòng)的目標(biāo)需要考慮更高級(jí)的模型如勻加速CA模型、協(xié)同轉(zhuǎn)彎CT模型或者使用交互式多模型IMM算法在多個(gè)模型間切換。這是從基礎(chǔ)跟蹤走向高級(jí)跟蹤的關(guān)鍵一步。問題如何將我的Matlab算法集成到其他系統(tǒng)如C、Python思路這是工程化時(shí)常見的問題。Matlab提供了多種方式。生成C/C代碼使用Matlab Coder工具可以將你的.m函數(shù)直接轉(zhuǎn)換為C/C代碼編譯成庫(kù)文件供其他程序調(diào)用。這是性能最好的方式。編譯為DLL通過Matlab Compiler SDK可以將算法打包成動(dòng)態(tài)鏈接庫(kù)DLL供C、C#、Java等語(yǔ)言通過特定接口調(diào)用。這需要目標(biāo)機(jī)器安裝Matlab Runtime。通過引擎API調(diào)用在C/Python程序中通過Matlab Engine API直接調(diào)用Matlab工作空間中的函數(shù)。這種方式調(diào)用簡(jiǎn)單但需要安裝完整的Matlab或Runtime且進(jìn)程間通信有開銷。 對(duì)于“qt調(diào)用matlab生成的dll”或“cpp調(diào)用matlab”這類需求通常指的就是第二種或第三種方式。我建議先從Matlab Coder開始嘗試它生成的代碼更干凈依賴更少。5. 從仿真到實(shí)戰(zhàn)處理真實(shí)數(shù)據(jù)與進(jìn)階思考當(dāng)你用仿真數(shù)據(jù)把濾波器調(diào)通后就可以嘗試處理真實(shí)數(shù)據(jù)了。這一步會(huì)遇到新的挑戰(zhàn)。5.1 處理真實(shí)數(shù)據(jù)的預(yù)處理步驟真實(shí)數(shù)據(jù)很少能直接扔進(jìn)濾波器通常需要數(shù)據(jù)清洗檢查并處理缺失值NaN、明顯異常值比如超出物理可能范圍的位置跳變。簡(jiǎn)單的可以用插值復(fù)雜的可能需要結(jié)合其他傳感器或邏輯判斷。坐標(biāo)對(duì)齊與單位統(tǒng)一確保你的觀測(cè)數(shù)據(jù)x, y是在同一個(gè)坐標(biāo)系下并且單位一致都是米、公里等。如果數(shù)據(jù)來自圖像像素坐標(biāo)可能需要轉(zhuǎn)換到世界坐標(biāo)系。時(shí)間戳對(duì)齊卡爾曼濾波要求等間隔或已知間隔的時(shí)間序列。檢查你的數(shù)據(jù)時(shí)間戳是否均勻。如果不均勻需要在預(yù)測(cè)步驟中動(dòng)態(tài)計(jì)算dt或者對(duì)數(shù)據(jù)進(jìn)行重采樣。噪聲統(tǒng)計(jì)如果可能在目標(biāo)靜止或做已知規(guī)律運(yùn)動(dòng)時(shí)采集一段數(shù)據(jù)計(jì)算觀測(cè)噪聲的協(xié)方差矩陣R這比猜更靠譜。5.2 模型擴(kuò)展當(dāng)勻速模型不夠用時(shí)如果你的目標(biāo)運(yùn)動(dòng)復(fù)雜如汽車、行人、飛機(jī)CV模型會(huì)捉襟見肘。這時(shí)需要考慮擴(kuò)展?fàn)顟B(tài)向量和模型。勻加速Constant Acceleration, CA模型狀態(tài)向量X [x; y; vx; vy; ax; ay]增加了加速度狀態(tài)轉(zhuǎn)移矩陣 F會(huì)變得更復(fù)雜需要包含0.5*dt^2這樣的項(xiàng)。這個(gè)模型能更好地描述加速、減速過程但對(duì)噪聲更敏感需要更仔細(xì)地調(diào)整Q。協(xié)同轉(zhuǎn)彎Coordinated Turn, CT模型假設(shè)目標(biāo)以近似恒定的速率和轉(zhuǎn)彎率運(yùn)動(dòng)。這個(gè)模型更適合描述車輛轉(zhuǎn)彎、飛機(jī)盤旋等場(chǎng)景。它需要估計(jì)轉(zhuǎn)彎率模型是非線性的此時(shí)就需要用到擴(kuò)展卡爾曼濾波EKF或無跡卡爾曼濾波UKF。注意模型不是越復(fù)雜越好。更復(fù)雜的模型有更多狀態(tài)需要估計(jì)需要更準(zhǔn)確的噪聲統(tǒng)計(jì)計(jì)算量也更大而且可能引入不必要的參數(shù)。始終遵循“如無必要勿增實(shí)體”的原則。先用簡(jiǎn)單模型CV測(cè)試如果新息序列表現(xiàn)出明顯的模型誤差如前述的趨勢(shì)項(xiàng)再考慮升級(jí)模型。5.3 與檢測(cè)算法結(jié)合如YOLOv8“在yolov8檢測(cè)中集成卡爾曼濾波”是一個(gè)典型的“檢測(cè)跟蹤”范式。這里的流程通常是檢測(cè)YOLOv8處理每一幀圖像輸出目標(biāo)邊界框bbox。數(shù)據(jù)關(guān)聯(lián)將當(dāng)前幀的檢測(cè)框與已有跟蹤器每個(gè)跟蹤器維護(hù)一個(gè)卡爾曼濾波器狀態(tài)進(jìn)行匹配。常用方法有IOU匹配、匈牙利算法等。跟蹤器更新對(duì)于匹配成功的檢測(cè)框?qū)⑵渲行狞c(diǎn)坐標(biāo)(cx, cy)作為觀測(cè)值z(mì)_k輸入給對(duì)應(yīng)的卡爾曼濾波器進(jìn)行“更新”步驟。然后用該濾波器的“預(yù)測(cè)”步驟預(yù)測(cè)目標(biāo)在下一幀的位置用于下一輪的數(shù)據(jù)關(guān)聯(lián)。對(duì)于未匹配的檢測(cè)框可能創(chuàng)建新的跟蹤器。對(duì)于未匹配的跟蹤器可能進(jìn)行預(yù)測(cè)而不更新持續(xù)若干幀后若仍未匹配則刪除。在這種架構(gòu)下卡爾曼濾波的作用不僅僅是平滑軌跡更重要的是提供可靠的預(yù)測(cè)幫助在目標(biāo)被短暫遮擋或檢測(cè)失敗時(shí)維持跟蹤ID并指導(dǎo)數(shù)據(jù)關(guān)聯(lián)減少誤匹配。6. 總結(jié)從會(huì)用到用好實(shí)現(xiàn)一個(gè)基礎(chǔ)的卡爾曼濾波跟蹤并不難難的是讓它在你特定的數(shù)據(jù)和場(chǎng)景下穩(wěn)定、可靠地工作。我個(gè)人的經(jīng)驗(yàn)是不要把卡爾曼濾波當(dāng)作一個(gè)黑盒調(diào)參游戲而要從物理意義和數(shù)學(xué)模型上去理解每一個(gè)矩陣和步驟。給新手的建議從仿真開始用已知真值的數(shù)據(jù)驗(yàn)證你的代碼和參數(shù)?？梢暬磺熊壽E圖、新息圖、協(xié)方差圖圖形能告訴你很多數(shù)字看不出的問題。先調(diào)Q再微調(diào)R理解Q和R的博弈關(guān)系。模型匹配場(chǎng)景勻速模型解決大部分低速、短時(shí)跟蹤問題遇到問題先分析新息再?zèng)Q定是否升級(jí)模型。給需要工程化或深入研究者的建議關(guān)注數(shù)值穩(wěn)定性對(duì)于高維狀態(tài)或嵌入式系統(tǒng)考慮平方根濾波或UD分解濾波。處理非線性如果模型或觀測(cè)方程是非線性的如角度觀測(cè)EKF或UKF是你的下一步?？紤]多模型對(duì)于機(jī)動(dòng)目標(biāo)IMM是工業(yè)界常用的成熟方案。性能評(píng)估不要只看軌跡圖好看定量計(jì)算位置均方根誤差RMSE、速度估計(jì)誤差等指標(biāo)。最后記住卡爾曼濾波是一個(gè)強(qiáng)大的框架但它的效果嚴(yán)重依賴于你提供的模型和噪聲統(tǒng)計(jì)。在真實(shí)項(xiàng)目中花在理解數(shù)據(jù)、建立合理模型和調(diào)試參數(shù)上的時(shí)間往往比寫代碼的時(shí)間多得多。把這個(gè)過程走通你收獲的將不僅僅是一個(gè)能跑的Matlab程序而是一套解決動(dòng)態(tài)系統(tǒng)狀態(tài)估計(jì)問題的完整思路。