扩展卡尔曼滤波算法及仿真实例

在阅读本篇博客之前希望读者已经具备线性卡尔曼滤波器的基础，或者提前研读我的前一篇关于线性卡尔曼滤波器的文章：线性卡尔曼滤波算法及示例。下面不说废话，直奔主题了。一、扩展卡尔曼滤波器（EKF）理论基础扩展Kalman滤波器算法实质上是一种在线线性化技术，即安装估计轨道进行线性化处理—-泰勒级数展开，再进行线性的Kalman滤波。实际非线性滤波处理，通常对过程噪声和观测噪声近似为高斯分布，...

haxiongha

52194人浏览 · 2018-08-17 20:43:24

haxiongha · 2018-08-17 20:43:24 发布

在阅读本篇博客之前希望读者已经具备线性卡尔曼滤波器的基础，或者提前研读我的前一篇关于线性卡尔曼滤波器的文章：线性卡尔曼滤波算法及示例。下面不说废话，直奔主题了。

一、扩展卡尔曼滤波器（EKF）理论基础

扩展Kalman滤波器算法实质上是一种在线线性化技术，即安装估计轨道进行线性化处理—-泰勒级数展开，再进行线性的Kalman滤波。实际非线性滤波处理，通常对过程噪声和观测噪声近似为高斯分布，协方差分别为 Qwk <script type="math/tex" id="MathJax-Element-1">Q_{w_{k}}</script>和 Qvk <script type="math/tex" id="MathJax-Element-2">Q_{v_{k}}</script>，均值假定为0.

考虑离散时间非线性动态系统：

{x k + 1 = f k (x k, w k) z k = h k (x k, v k)

wk w k <script type="math/tex" id="MathJax-Element-4">w_k</script>为过程演化噪声

vk v k <script type="math/tex" id="MathJax-Element-5">v_k</script>为量测噪声

符号说明： xk <script type="math/tex" id="MathJax-Element-6">x_k</script>：为真值， x^k <script type="math/tex" id="MathJax-Element-7">\hat{x}_k</script>：为状态估计值， x~k <script type="math/tex" id="MathJax-Element-8">\tilde{x}_k</script>：为状态预测误差值，他们之间的关系是： xk=x^k+x~k <script type="math/tex" id="MathJax-Element-9">x_k = \hat{x}_k +\tilde{x}_k</script>。

一阶EKF算法的步骤描述如下：
1、在时刻 k−1 <script type="math/tex" id="MathJax-Element-10">k-1</script>，假定已经获得上一时刻状态估计值和估计误差的协方差阵：

x^k - 1 | k - 1, P k - 1 | k - 1

x k = f k - 1 (x k - 1, w k - 1) = f k - 1 ((x^k - 1 | k - 1 + x ~ k - 1 | k - 1), w k - 1)

x~k−1|k−1=xk−1−x^k−1|k−1 x ~ k − 1 | k − 1 = x k − 1 − x ^ k − 1 | k − 1 <script type="math/tex" id="MathJax-Element-13">\tilde{x}_{k-1|k-1} = x_{k-1} - \hat{x}_{k-1|k-1}</script>，对其安照一阶泰勒展开可得如下式子：

x k = f k - 1 (x k - 1, w k - 1) = f k - 1 ((x^k - 1 | k - 1 + x ~ k - 1 | k - 1), w k - 1) \approx f k - 1 (x^k - 1 | k - 1, 0) + f x k - 1 x ~ k - 1 | k - 1 + f w k - 1 w k - 1 (1.1.1)

x~k−1|k−1 x ~ k − 1 | k − 1 <script type="math/tex" id="MathJax-Element-15">\tilde{x}_{k-1|k-1}</script>相当于我们在数学课本中见到的

Δx Δ x <script type="math/tex" id="MathJax-Element-16">\Delta{x}</script>，

x^k−1|k−1 x ^ k − 1 | k − 1 <script type="math/tex" id="MathJax-Element-17">\hat{x}_{k-1|k-1}</script>相当于数学课本中的

x0 x 0 <script type="math/tex" id="MathJax-Element-18">x_{0}</script>，

xk−1 x k − 1 <script type="math/tex" id="MathJax-Element-19">x_{k-1}</script>相当于课本中的下一时刻值

x x <script type="math/tex" id="MathJax-Element-20">x</script>。

${\tilde{x}}_{k - 1 | k - 1} = x_{k - 1} - {\hat{x}}_{k - 1 | k - 1}$ <script type="math/tex" id="MathJax-Element-21">\tilde{x}_{k-1|k-1} = x_{k-1} - \hat{x}_{k-1|k-1}</script>类比于 Δx=x−x0 <script type="math/tex" id="MathJax-Element-22">\Delta{x} = x-x_{0}</script>
上式之所以成立解释如下：
xk−1 <script type="math/tex" id="MathJax-Element-23">x_{k-1}</script>为上一时刻的真值，实际上该值我们是无法获得的，上一时刻我们所用的是后验值 x^k−1|k−1 <script type="math/tex" id="MathJax-Element-24">\hat{x}_{k-1|k-1}</script>来近似真值 xk−1 <script type="math/tex" id="MathJax-Element-25">x_{k-1}</script>，其中的误差即为 x~k−1|k−1 <script type="math/tex" id="MathJax-Element-26">\tilde{x}_{k-1|k-1}</script>
泰勒展开式中两个偏导分别为如下：

f x k - 1 = \partial f k - 1 ( x k - 1 , w k - 1 ) \partial x k - 1 ∣ ∣ ∣ x k - 1 = x^k - 1 | k - 1, w k - 1 = 0

f w k - 1 = \partial f k - 1 ( x k - 1 , w k - 1 ) \partial w k - 1 ∣ ∣ ∣ x k - 1 = x^k - 1 | k - 1, w k - 1 = 0

fk−1 f k − 1 <script type="math/tex" id="MathJax-Element-29">f_{k-1}</script>中就可以的得到对当前时刻的一步先验预测值。模型中我们写的前后时刻的两个值为真值，而真值在实际情况下是无法获取的，在前一时刻我们用的是后验状态估计值

x^k−1|k−1 x ^ k − 1 | k − 1 <script type="math/tex" id="MathJax-Element-30">\hat{x}_{k-1|k-1}</script>代替真值，因此在对下一步进行提前预测也要用该值。

x^k | k - 1 \approx f k - 1 (x^k - 1 | k - 1, 0) (1.2.1)

x^k|k−1=F∗x^k−1|k−1 x ^ k | k − 1 = F ∗ x ^ k − 1 | k − 1 <script type="math/tex" id="MathJax-Element-32">\hat{x}_{k|k-1}=F*\hat{x}_{k-1|k-1}</script>两者的区别是后者有现成状态转移矩阵

F F <script type="math/tex" id="MathJax-Element-33">F</script>,前者需要通过其他方式求出。

提前一步状态预测所产生的误差为：

{\tilde{x}}_{k | k - 1} = x_{x} - {\hat{x}}_{k | k - 1} \approx f_{k - 1}^{x} {\tilde{x}}_{k - 1 | k - 1} + f_{k - 1}^{w} w_{k - 1}

P k | k - 1 = c o v (x ~ k | k - 1) \approx f x k - 1 P k - 1 | k - 1 (f x k - 1) T + f w k - 1 Q k - 1 (f w k - 1) T

3、k时刻量测的线性化方程为：

z k = h k (x k, v k) = h k (x^k | k - 1 + x ~ k | k - 1, v k) \approx h k (x^k | k - 1, 0) + h x k x ~ k | k - 1 + h v k v k

x ~ k | k - 1 = x k - x^k | k - 1

h x k = \partial h k ( x k , v k ) \partial x k ∣ ∣ ∣ x k = x k | k - 1^

h v k = \partial h k ( x k , v k ) \partial v k ∣ ∣ ∣ x k = x k | k - 1^

z^k | k - 1 \approx h k (x^k | k - 1, 0)

z ~ k | k - 1 = z k - z^k | k - 1 \approx h x k x ~ k | k - 1 + h v k v k

zk z k <script type="math/tex" id="MathJax-Element-42">z_{k}</script>为量测真值，那么

z~k|k−1 z ~ k | k − 1 <script type="math/tex" id="MathJax-Element-43">\tilde{z}_{k|k-1}</script>就只是包含有预测误差在里面，但在实际运用过程中，

zk z k <script type="math/tex" id="MathJax-Element-44">z_{k}</script>是无法获取的，我们只是用带有噪声的实际物理测量值代替真值，因此上述误差

z~k|k−1 z ~ k | k − 1 <script type="math/tex" id="MathJax-Element-45">\tilde{z}_{k|k-1}</script>实际上就表示为预测误差和噪声误差之和。

量测预测误差的协方差阵为

R z ~ k | k - 1 z ~ k | k - 1 = c o v (z ~ k | k - 1) \approx h x k P k | k - 1 (h x k) T + h v k R k (h v k) T

状态预测误差与量测预测误差协方差阵为：

R x ~ k | k - 1 z ~ k | k - 1 = c o v (x ~ k | k - 1, z ~ k | k - 1) \approx P k | k - 1 (h v k) T

5、在时刻k得到新的量测 zk <script type="math/tex" id="MathJax-Element-48">z_{k}</script>,状态滤波的跟新公式为：

后验状态更新公式：

x^k | k = x^k | k - 1 + K (z k - h x k x^k | k - 1)

后验协方差更新公式：

P k | k = (I - K h x k) P k | k - 1

其中k时刻卡尔曼增益K为

K = R x ~ k | k - 1 z ~ k | k - 1 R x ~ k | k - 1 x ~ k | k - 1 = P k | k - 1 ( h x k ) T h x k P k | k - 1 ( h x k ) T + h v k R k ( h v k ) T

6、扩展卡尔曼算法执行过程：

状态计算分成——时间更新和滤波更新

时间更新： x^k|k−1≈fk−1(x^k−1|k−1,0) <script type="math/tex" id="MathJax-Element-52">\hat{x}_{k|k-1}\approx f_{k-1}(\hat{x}_{k-1|k-1},0)</script>
滤波更新： x^k|k=x^k|k−1+K(zk−hxkx^k|k−1) <script type="math/tex" id="MathJax-Element-53">\hat{x}_{k|k}=\hat{x}_{k|k-1}+K(z_{k}-h^{x}_{k}\hat{x}_{k|k-1})</script>
K=Rx~k|k−1z~k|k−1Rx~k|k−1x~k|k−1=Pk|k−1(hxk)ThxkPk|k−1(hxk)T+hvkRk(hvk)T <script type="math/tex" id="MathJax-Element-54">K=\frac{R_{\tilde{x}_{k|k-1}\quad \tilde{z}_{k|k-1}}}{R_{\tilde{x}_{k|k-1}\quad \tilde{x}_{k|k-1}}}=\frac{P_{k|k-1}(h^{x}_{k})^T}{h^{x}_{k}P_{k|k-1}(h^{x}_{k})^T+h^{v}_{k}R_{k}(h^{v}_{k})^T}</script>
方差计算分成——时间更新和滤波更新
时间更新： Pk|k−1=cov(x~k|k−1)≈fxk−1Pk−1|k−1(fxk−1)T+fwk−1Qk−1(fwk−1)T <script type="math/tex" id="MathJax-Element-55">P_{k|k-1}=cov(\tilde{x}_{k|k-1})\approx f^{x}_{k-1}P_{k-1|k-1}(f^{x}_{k-1})^{T}+f^{w}_{k-1}Q_{k-1}(f^{w}_{k-1})^{T}</script>
滤波更新： Pk|k=(I−Khxk)Pk|k−1 <script type="math/tex" id="MathJax-Element-56">P_{k|k}=(I-Kh^{x}_{k})P_{k|k-1}</script>

二、线性卡尔曼与扩展卡尔曼比较

对比两个线性卡尔曼与扩展卡尔曼算法的五个公式可以看出有两点不同：
1、状态计算中的时间更新：
线性卡尔曼： x^k|k−1=Fk−1x^k−1|k−1 <script type="math/tex" id="MathJax-Element-57">\hat{x}_{k|k-1}=F_{k-1}\hat{x}_{k-1|k-1}</script>
扩展卡尔曼： x^k|k−1≈fk−1(x^k−1|k−1,0) <script type="math/tex" id="MathJax-Element-58">\hat{x}_{k|k-1}\approx f_{k-1}(\hat{x}_{k-1|k-1},0)</script>
此处不同主要是根据具体运用对象不同而导致所建立的数学模型不同。前者的状态为线性转移，后者的状态为非线性转移。
2、方差计算中的时间更新：
线性卡尔曼：
Pk|k−1=Fk−1Pk−1FTk−1+Γk−1Qwk−1ΓTk−1 <script type="math/tex" id="MathJax-Element-59">P_{k|k-1}=F_{k-1}P_{k-1}F^T_{k-1}+\Gamma_{k-1}Q^{w}_{k-1}\Gamma^T_{k-1}</script>
扩展卡尔曼：
Pk|k−1=cov(x~k|k−1)≈fxk−1Pk−1|k−1(fxk−1)T+fwk−1Qk−1(fwk−1)T <script type="math/tex" id="MathJax-Element-60">P_{k|k-1}=cov(\tilde{x}_{k|k-1})\approx f^{x}_{k-1}P_{k-1|k-1}(f^{x}_{k-1})^{T}+f^{w}_{k-1}Q_{k-1}(f^{w}_{k-1})^{T}</script>
此处不同主要表现在状态转移矩阵上的区别，前者的状态转移矩阵是直接来源于一开始建立的数学模型，将前一时刻的后验状态值直接转移预测下一时刻的先验状态值，后者的是将非线性数学模型经过泰勒展开线性化后对误差的转移：

x ~ k | k - 1 = x x - x^k | k - 1 \approx f x k - 1 x ~ k - 1 | k - 1 + f w k - 1 w k - 1

更进一步分析其实可以得出状态转移矩阵两者之间的近似关系：

F k - 1 \approx E + f x k - 1

x k = F k - 1 x k - 1 | k - 1 = E * x k - 1 | k - 1 + F x k - 1 ϕ (2.2.1)

三、扩展卡尔曼应用实例

不管是线性卡尔曼还是非线性卡尔曼，他们的数学模型都有一个共同的特点，那就是后一时刻的状态是前一时刻状态的函数，而在实际应用场景中，我们是很难直接列写出这样的模型的，一般都是直接关于时间或者间接变量的函数模型。对于卡尔曼的标准模型在连续时间下就是我们数学里面的微分方程形式(那种不包含x只有y的微分方程形式)。因为很多时候我们无法直接获得该模型，因而一般用（2.2.1）式等号最右边代替非线性状态转移方程。

例子1：考虑一个在二维平面运动的机器人，已知该机器人只有前向（x方向）速度 Vt <script type="math/tex" id="MathJax-Element-64">V_{t}</script>(不固定，可实时变化，但可以直接测量)和旋转角速度 wt <script type="math/tex" id="MathJax-Element-65">w_{t}</script>同速度一样，非定值，可实时测量获得。以上俩个变量可通过加速度计和陀螺仪测量。其示意图如下：
这里写图片描述
求解小车轨迹。
解：
首先根据题目内容建立数学模型：

⎧ ⎩ ⎨ ⎪ ⎪ x ˙ t = V t c o s ϕ t y ˙ t = V t s i n ϕ t ϕ ˙ t = w t

X = ⎡ ⎣ ⎢ x t y t ϕ t ⎤ ⎦ ⎥

X = [x t y t]

ϕ ϕ <script type="math/tex" id="MathJax-Element-69">\phi</script>进去后面再解释。

下面将上述微分方程写成差分形式

⎧⎩⎨⎪⎪⎪⎪x^t+1=x^t+(Vt+wVt)Δtcosϕ^ty^t+1=y^t+(Vt+wVt)Δtsinϕ^tϕ^t+1=ϕ^t+(wt+wwt)Δt(3.1.1) (3.1.1) { x ^ t + 1 = x ^ t + ( V t + w V t ) Δ t c o s ϕ ^ t y ^ t + 1 = y ^ t + ( V t + w V t ) Δ t s i n ϕ ^ t ϕ ^ t + 1 = ϕ ^ t + ( w t + w w t ) Δ t

还记得前面的关于线性卡尔曼和非线性卡尔曼关于状态转移矩阵的区别吗？
线性卡尔曼是对状态的转移，非线性卡尔曼是对状态误差的转移。
状态误差：

⎧⎩⎨⎪⎪x~t+1=xt+1−x^t+1y~t+1=yt+1−y^t+1ϕ~t+1=ϕt+1−ϕ^t+1 { x ~ t + 1 = x t + 1 − x ^ t + 1 y ~ t + 1 = y t + 1 − y ^ t + 1 ϕ ~ t + 1 = ϕ t + 1 − ϕ ^ t + 1

x ~ k | k - 1 = x x - x^k | k - 1 \approx f x k - 1 x ~ k - 1 | k - 1 + f w k - 1 w k - 1

fxt−1 f t − 1 x <script type="math/tex" id="MathJax-Element-73">f^{x}_{t-1}</script>和

fwt−1 f t − 1 w <script type="math/tex" id="MathJax-Element-74">f^{w}_{t-1}</script>

f x t - 1 = ⎡ ⎣ ⎢ ⎢ 100010 - V m Δ t s i n ϕ^V m Δ t c o s ϕ^1 ⎤ ⎦ ⎥ ⎥

f w t - 1 = ⎡ ⎣ ⎢ Δ t c o s ϕ Δ t s i n ϕ 0 00 Δ t ⎤ ⎦ ⎥

X = ⎡ ⎣ ⎢ x t y t ϕ t ⎤ ⎦ ⎥

X = [x t y t]

注：这里提一下关于状态向量的选取经验：

基本上大部分工程背景都是关于时间的系统，不管是对于线性还是非线性卡尔曼，他们的数学模型最终都是关于时间的函数(这也是我们最容易根据实际对象背景列写出来的)，而在公式推导过程中，我们希望它是一个后一时刻是关于前一时刻的函数，因此才有了我们上面的差分方程形式。对于怎样将关于时间的函数写成关于前一时刻的差分方程形式，通过一阶泰勒展开即可。
有了差分方程，我们就可以求状态转移矩阵，状态转移矩阵是系统方程对状态向量的偏导数，为了保证系统的非线性，状态向量之间不能都是独立的变量，否则状态转移矩阵就是单位矩阵了，而对于我们选取的 $X = [x t y t]$ <script type="math/tex; mode=display" id="MathJax-Element-79">X=\left[\begin{matrix}x_{t}\\y_{t}\\\end{matrix}\right]</script>
两变量之间是相互独立的，所以不行。
对于：
$X = ⎡ ⎣ ⎢ x t y t ϕ t ⎤ ⎦ ⎥$ <script type="math/tex; mode=display" id="MathJax-Element-80">X=\left[\begin{matrix}x_{t}\\y_{t}\\\phi_{t}\end{matrix}\right]</script>
前两个变量都是关于第三个变量的函数。不存在相互独立，所以可以。

由上可得误差状态转移方程：

⎡ ⎣ ⎢ x ~ t + 1 y ~ t + 1 ϕ ~ t + 1 ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ ⎢ 100010 - V m Δ t s i n ϕ^V m Δ t c o s ϕ^1 ⎤ ⎦ ⎥ ⎥ ⎡ ⎣ ⎢ x ~ t y ~ t ϕ ~ t ⎤ ⎦ ⎥ + ⎡ ⎣ ⎢ Δ t c o s ϕ Δ t s i n ϕ 0 00 Δ t ⎤ ⎦ ⎥ [w V t w w t]

X ~ t + 1 = F t X ~ t + G t W t

P - t + 1 = A t P t A T t + G t Q t G T t

例子2、设一平面目标状态向量为X=(x,y),以坐标原点为圆心，半径为500米进行匀速圆周运动，速度为10m/s；目标运动的过程噪声方差为2 m2 <script type="math/tex" id="MathJax-Element-84">m^2</script> 的白噪声。现有一个位于（750，750）的雷达覆盖该目标，进行监视，观测量为径向距离，噪声为3 m2 <script type="math/tex" id="MathJax-Element-85">m^2</script>,监视时间间隔为0.5秒。
针对以上场景进行目标跟踪滤波设计和仿真？

解：已知 v=10m/s <script type="math/tex" id="MathJax-Element-86">v=10m/s</script>,可以算出角速度 w=v/r=10/500(rad/s) <script type="math/tex" id="MathJax-Element-87">w=v/r=10/500(rad/s)</script> ;
根据题意及以上参数可得出雷达所测的径向距离：

d t = f t (θ t) = ((X r - r c o s θ t) 2 + (Y r - r s i n θ t) 2) 1 / 2

θ˙=wt θ ˙ = w t <script type="math/tex" id="MathJax-Element-89">\dot\theta=wt</script>，

Xr=750 X r = 750 <script type="math/tex" id="MathJax-Element-90">X_{r}=750</script>,

Yr=750 Y r = 750 <script type="math/tex" id="MathJax-Element-91">Y_{r}=750</script>
定义状态向量：

X t = [d t θ t]

θ θ <script type="math/tex" id="MathJax-Element-93">\theta</script> 的函数，因此可对其直接用一阶泰勒展开:

d t + 1 \approx d t + \partial f \partial θ Δ θ = d t + f θ t w T

T T <script type="math/tex" id="MathJax-Element-95">T</script> 为监视时间间隔为0.5.
因而状态向量的差分方程组形式为：

{\begin{cases} {\hat{d}}_{t + 1} = {\hat{d}}_{t} + f_{t}^{θ} w T \\ {\hat{θ}}_{t + 1} = {\hat{θ}}_{t} + w T \end{cases}

状态误差：

{d~t+1=dt+1−d^t+1θ~t+1=θt+1−θ^t+1 { d ~ t + 1 = d t + 1 − d ^ t + 1 θ ~ t + 1 = θ t + 1 − θ ^ t + 1

状态误差转移方程为：

[d ~ t + 1 θ ~ t + 1] = [10 \partial f θ t \partial θ 1] [d ~ t θ ~ t]

F t = [10 \partial f θ t \partial θ 1]

H t = [10]

Q w t = d i a g [20 0 0.2]

θ θ <script type="math/tex" id="MathJax-Element-102">\theta</script>的噪声方差。
测量噪声方差

Q w t = d i a g [30 0 0.3]

θ θ <script type="math/tex" id="MathJax-Element-104">\theta</script>的测量噪声方差。
假设初始状态值为：

X 0 = [f 0 (0) 0]

P 0 = d i a g [2001]

matlab仿真代码如下：

clear
phi = 0;

y0 = 750;
x0 = 750;
R = 500;
T = 0.5;
v = 10;
r = 500;
w = v/r;
%f(phi) = sqrt((y0 - R*sin(phi))^2 + (x0 - R*cos(phi))^2)                  %真值
f =@(phi)250*((500*sin(phi) - 750)^2/62500 + (500*cos(phi) - 750)^2/62500)^(1/2);
%f_2_order_diff(phi) = w*T*diff(f(phi),2)
%                                                                                                                                                                                                                                                                                                                                                                                                                                                                
f_2_order_diff =@(phi)(5*(8*cos(phi)^2 + 8*sin(phi)^2 - (2*cos(phi)*(500*cos(phi) - 750))/125 - (2*sin(phi)*(500*sin(phi) - 750))/125))/(4*((500*sin(phi) - 750)^2/62500 + (500*cos(phi) - 750)^2/62500)^(1/2)) - (5*((2*cos(phi)*(500*sin(phi) - 750))/125 - (2*sin(phi)*(500*cos(phi) - 750))/125)^2)/(8*((500*sin(phi) - 750)^2/62500 + (500*cos(phi) - 750)^2/62500)^(3/2));

%过程噪声方差
Qw = diag([2 0.2]);
%测量噪声
Qv = diag([3 0.3]);
%状态值初始化
x_k1 = [f(phi) 0]';

%初始协方差
p_k1 = diag([2,1]);
%状态转移矩阵
F = [1 f_2_order_diff(phi);0 1];
%测量转移矩阵
H = [1 0;0 1];
%过程噪声
W_noise = diag([normrnd(0,2);normrnd(0,0.2)])*randn(2,4000);
%测量噪声
V_nosise = diag([normrnd(0,3);normrnd(0,0.1)])*randn(2,4000);
for i = 1:2000
    phi = phi + w*T;
    x_k2 = F*x_k1 + W_noise(:,i);                                      %下一时刻的先验状态预测   
    p_k2 = F*p_k1*F' + Qw;
    k = p_k2*H'*inv(H*p_k2*H' + Qv);   
    z_k1 =[f(phi)+wgn(1,1,10) 0]';    
    z_k = H*z_k1;
    Z_K(:,i) = z_k;    

    x_k1 = x_k2 + k*(z_k - H*x_k2);
    X_K(:,i) = x_k1;
    p_k1 = (eye(2) - k*H)*p_k2;    
end
figure
t = linspace(1,2000,2000);
plot(t,X_K(1,:),t,Z_K(1,:),'black');
legend('预测轨迹','真值轨迹');

腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

自动化提示词生成工具盘点

腾讯云开发者社区

AI PPT免费使用技巧盘点：如何快速制作专业PPT？

腾讯云开发者社区

腾讯云架构师技术沙龙 · 长沙站圆满落幕，共话AI驱动下的技术架构与前沿应用

人工智能已成为推动技术创新与产业变革的重要引擎，开发者正身处一场前所未有的技术变革之中。通过本次腾讯云架构师技术沙龙，各位专家深入分享前沿技术洞察，探讨 AI 落地的应用路径与实践经验，为架构师的职业发展指明方向。腾讯云架构师长沙同盟和腾讯云架构师技术同盟长沙地区理事会正式成立。未来，腾讯云架构师长沙同盟将凝心聚力，打造属于本地架构师的学习与成长的家园，助力中国架构的蓬勃发展。未来已来，让我们携手