什么是测量噪声 (R)？

它代表您对传感器的信任程度。 R 越高意味着传感器有噪声，因此滤波器将更多地依赖其内部预测。

卡尔曼滤波器——实时数据平滑服务|计算工具卡尔曼滤波器——实时数据平滑服务| 计算工具

使用递归卡尔曼滤波器预测和平滑噪声传感器数据。工程和机器人技术的专业服务。使用递归卡尔曼滤波器预测和平滑噪声传感器数据。工程和机器人技术的专业服务。

传感器很少是完美的；它们会产生嘈杂、不稳定的数据，从而破坏精确的计算。卡尔曼滤波器是用于根据一系列噪声测量来估计系统“真实”状态的黄金标准算法。这种递归过滤器可用于从 GPS 导航到飞机控制和机器人等各个领域，它可以预测未来值并根据新证据进行更新。我们的卡尔曼服务提供了这种逻辑的高性能模拟，使您可以了解不同的噪声参数如何影响移动目标的跟踪。传感器很少是完美的；它们会产生嘈杂、不稳定的数据，从而破坏精确的计算。卡尔曼滤波器是用于根据一系列噪声测量来估计系统“真实”状态的黄金标准算法。这种递归过滤器可用于从 GPS 导航到飞机控制和机器人等各个领域，它可以预测未来值并根据新证据进行更新。我们的卡尔曼服务提供了这种逻辑的高性能模拟，使您可以了解不同的噪声参数如何影响移动目标的跟踪。

Process Noise (Q)

0.1

Represents how much we trust our mathematical model vs sensor.

Sensor Noise (R)

Represents the error/variance in the raw measurements.

True State

State Estimation Chart

Real-time recursive processing

RAW DATA

KALMAN

TRUE

Recursive Logic

Predict

The filter projects the current state and uncertainty forward in time.

Gain

It calculates the weight given to the new measurement (K).

Correct

It blends the prediction with the actual sensor data.

Academic Insight

Notice how the Kalman estimate (Blue line) eventually stabilizes near the true value (Dashed line) despite the heavy sensor noise (Rose line). This tool demonstrates the "Optimal Estimator" theory used in Apollo moon missions and modern self-driving cars.

Final Error Covariance (P)

0.4

工作原理

该过滤器分两个阶段运行：“预测”和“更新”。它首先及时预测当前状态，然后根据新的测量值调整该预测。 “卡尔曼增益”决定了新数据相对于预测的权重。该过滤器分两个阶段运行：“预测”和“更新”。它首先及时预测当前状态，然后根据新的测量值调整该预测。 “卡尔曼增益”决定了新数据相对于预测的权重。

计算公式

K = P / (P + R); X = X + K * (Z - X); P = (1 - K) * P

计算示例

1. **GPS**：平滑抖动的坐标数据以显示干净的路径。 2. **机器人**：从噪声编码器估计关节位置。 1. **GPS**：平滑抖动的坐标数据以显示干净的路径。 2. **机器人**：从噪声编码器估计关节位置。

为什么在日常生活中使用这个工具？

精度很重要。该服务使您能够掌握信号处理的复杂性，提供高风险工程和实时建模所需的过滤数据。精度很重要。该服务使您能够掌握信号处理的复杂性，提供高风险工程和实时建模所需的过滤数据。

常见问题解答

提示

收藏此工具以便快速访问。一切都在您的浏览器中本地运行。