DE 
EnglishStandard
Українська
Polski
Español
日本語
Italiano
Português (BR)
Français
العربية
Nederlands
中文
한국어
हिन्दी
Türkçe
Tiếng Việt
Русский
Bahasa Indonesia
فارسی
বাংলা
ไทย
Filipino
Kiswahili
اردو
Bahasa Melayu
தமிழ்
עברית
Ελληνικά
ਪੰਜਾਬੀ
አማርኛ
မြန်မာဘာသာ
ខ្មែរ
ქართული
नेपाली
Монгол хэл
Հայերեն
සිංහල
ລາວ
Čeština
Română
Magyar
Български
Svenska
Dansk
Suomi
Norsk
Slovenčina
Hrvatski
Српски
Slovenščina
Lietuvių
Latviešu
Eesti
Íslenska
Shqip
Македонски
Bosanski
Malti
Azərbaycanca
Қазақша
O'zbekcha
Тоҷикӣ
Кыргызча📡 Kalman-Filter
Interaktive Kalman-Filter-Simulation: verfolgen Sie ein bewegtes Ziel, stellen Sie Prozess- und Messrauschen ein und beobachten Sie, wie die Kovarianzellipse bei der Vorhersage wächst und bei der Aktualisierung schrumpft.
Über den Kalman-Filter
Der Kalman-Filter, 1960 von Rudolf Kálmán entwickelt, ist ein optimaler rekursiver linearer Zustandsschätzer, der ein verrauschtes Prozessmodell mit verrauschten Sensormessungen verschmilzt, um die Schätzung mit dem geringsten mittleren quadratischen Fehler eines verborgenen Zustands zu erzeugen. Er arbeitet in zwei abwechselnden Phasen: Vorhersage (Fortschreiben der Zustandsschätzung und Vergrößern der Unsicherheitskovarianz anhand des Prozessmodells) und Aktualisierung (Einbeziehen einer neuen Messung, um die Kovarianz zu verkleinern und die Schätzung über die Kalman-Verstärkung K = P·Hᵀ·(H·P·Hᵀ + R)⁻¹ zu korrigieren). Er trieb das Navigationssystem des Apollo-Leitcomputers an und ist allgegenwärtig in GPS, Robotik und Finanzzeitreihen.
Die Simulation verfolgt ein Ziel, das sich nach einem einfachen Modell konstanter Geschwindigkeit bewegt. Sie können die Kovarianz des Prozessrauschens Q (Modellunsicherheit) und die Kovarianz des Messrauschens R (Sensorrauschen) einstellen und beobachten, wie sich die Kovarianzellipse im Vorhersageschritt vergrößert und bei jeder Messaktualisierung verkleinert. Ein RMSE-Zähler vergleicht die Kalman-Schätzung mit den Rohmessungen und der rauschfreien wahren Trajektorie.
Häufig gestellte Fragen
Wofür steht die Kalman-Verstärkung K?
Die Kalman-Verstärkung K = P⁻·Hᵀ·(H·P⁻·Hᵀ + R)⁻¹ ist eine Gewichtungsmatrix, die bestimmt, wie stark einer neuen Messung gegenüber der Vorhersage vertraut wird. Ist das Messrauschen R klein, nähert sich K H⁻¹ an, und die Schätzung springt zur Messung. Ist R groß, nähert sich K 0 an, und die Schätzung bewegt sich kaum. So werden Modell- und Sensorvertrauen bei jedem Schritt elegant vermischt.
Was ist der Unterschied zwischen Q und R im Kalman-Filter?
Q ist die Kovarianzmatrix des Prozessrauschens und repräsentiert die Unsicherheit im Systemdynamikmodell — etwa unbekannte Beschleunigungen bei der Fahrzeugnavigation. R ist die Kovarianz des Messrauschens und repräsentiert die Sensorungenauigkeit (z. B. GPS-Genauigkeit). Ein größeres Q lässt den Filter Messungen stärker vertrauen und schneller auf Manöver reagieren; ein größeres R glättet das Sensorrauschen stärker, reagiert aber langsamer auf echte Zustandsänderungen.
Wann liefert der Kalman-Filter die optimale Schätzung?
Der Kalman-Filter ist optimal (minimaler MSE), wenn das System linear ist, das Prozessrauschen gaußverteilt mit Kovarianz Q ist, das Messrauschen gaußverteilt mit Kovarianz R ist und die anfängliche Zustandsschätzung sowie ihre Kovarianz korrekt sind. Werden diese Annahmen verletzt, sinkt die Leistung, was Erweiterungen wie den Extended Kalman Filter (EKF) für nichtlineare Systeme und Partikelfilter für nicht-gaußsches Rauschen motiviert.
Was ist der Extended Kalman Filter (EKF)?
Der EKF behandelt nichtlineare Systeme, indem er die Zustandsübergangs- und Messfunktionen um die aktuelle Schätzung herum mithilfe ihrer Jacobi-Matrizen linearisiert. Obwohl nicht wirklich optimal (die Linearisierung führt Fehler ein), wird er häufig in der Robotik (SLAM), der Luft- und Raumfahrtnavigation und der erweiterten Realität eingesetzt. Seine Hauptschwäche ist Divergenz bei starker Nichtlinearität oder schlechter Anfangsschätzung.
Was ist der Unscented Kalman Filter (UKF)?
Der UKF propagiert eine kleine Menge sorgfältig gewählter Sigma-Punkte durch die tatsächlichen nichtlinearen Funktionen, statt zu linearisieren, und liefert so eine genauere Näherung zweiter Ordnung der Posteriorverteilung. Er übertrifft den EKF meist bei stark nichtlinearen Problemen bei ähnlichem Rechenaufwand und ist die bevorzugte Wahl in vielen Luft- und Raumfahrt- sowie Robotikanwendungen.
Wie unterscheidet sich ein Kalman-Filter von einem Partikelfilter?
Ein Partikelfilter (Sequential Monte Carlo) stellt die Zustandsverteilung als gewichtete Menge zufälliger Stichproben (Partikel) dar, ohne eine Gauß-Annahme zu treffen. Er kann beliebige nichtlineare, nicht-gaußsche Systeme handhaben, benötigt aber Hunderte bis Tausende Partikel und ist deutlich rechenintensiver. Filter der Kalman-Familie dominieren dort, wo Linearität und gaußsches Rauschen vernünftige Annahmen sind.
Was ist der eingeschwungene (Steady-State-)Kalman-Filter?
Bei zeitinvarianten linearen Systemen konvergiert die Kalman-Verstärkung K für t → ∞ zu einem konstanten Beharrungswert, der offline durch Lösen der diskreten algebraischen Riccati-Gleichung (DARE) berechnet werden kann. Die Verwendung dieser festen Verstärkung macht die Online-Aktualisierung der Kovarianzmatrix überflüssig und reduziert die Berechnung auf eine einfache Matrix-Vektor-Multiplikation — wichtig für eingebettete Systeme mit hoher Rate.
Was ist Sensorfusion, und wie ermöglicht sie der Kalman-Filter?
Sensorfusion kombiniert Messwerte mehrerer Sensoren (z. B. Beschleunigungsmesser + GPS + Barometer), um Schätzungen zu erzeugen, die besser sind als jeder einzelne Sensor. Der Kalman-Filter behandelt dies auf natürliche Weise: Jeder Sensor liefert eine Messgleichung H mit seiner Rauschkovarianz R; sequenzielle Aktualisierungen (oder ein gemeinsamer Messvektor) integrieren alle Sensoren bei jedem Zeitschritt optimal. Dies ist die Grundlage von Trägheitsnavigationssystemen in Flugzeugen und autonomen Fahrzeugen.
Wurde der Kalman-Filter wirklich bei den Apollo-Missionen eingesetzt?
Ja. Der Apollo Guidance Computer nutzte eine Variante des Kalman-Filters zur Bahnbestimmung und Landeführung auf dem Mond. Kálmán stellte den Algorithmus 1960 vor; Stanley Schmidt von der NASA passte ihn 1961 an das nichtlineare Bahnschätzungsproblem an, woraus der sogenannte Schmidt-Kalman-Filter entstand. Es ist eine der folgenreichsten Anwendungen der Regelungstheorie der Geschichte.
Verschmelzen Sie verrauschte Messungen optimal mit einem Bewegungsmodell. Die Kovarianzellipse wächst bei der Vorhersage und schrumpft bei der Aktualisierung; die Kalman-Schätzung übertrifft sowohl Rohmessungen als auch das reine Modell — der laufende RMSE beweist es.
3D · Three.js/WebGL-Renderer · Ziel: 60 FPS · läuft vollständig clientseitig, keine Installation nötig