63 lines
2.6 KiB
Markdown
63 lines
2.6 KiB
Markdown
是的，你理解的方向是对的，不过我们可以更精确地说清楚它的含义：
|
||
|
||
------
|
||
|
||
## 1. 它从哪里来
|
||
|
||
你给的公式
|
||
|
||
x^k=x^k−+Kk(zk−Hx^k−)\hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + \mathbf{K}_k \left(\mathbf{z}_k - \mathbf{H} \hat{\mathbf{x}}_k^- \right)
|
||
|
||
中，
|
||
|
||
ek:=zk−Hx^k−\mathbf{e}_k := \mathbf{z}_k - \mathbf{H} \hat{\mathbf{x}}_k^-
|
||
|
||
是**观测创新（innovation）**，反映了观测值与预测值的差异。
|
||
在逐维情形下，
|
||
|
||
x^i,k=x^i,k−+Ki,kei,k.\hat{x}_{i,k} = \hat{x}_{i,k}^- + K_{i,k} e_{i,k}.
|
||
|
||
如果 $K_{i,k}$ 是确定的，那么更新量
|
||
|
||
Δx^i,k=Ki,kei,k\Delta \hat{x}_{i,k} = K_{i,k} e_{i,k}
|
||
|
||
的波动只由 $e_{i,k}$ 决定。
|
||
|
||
但实际中，你的 $K_{i,k}$ 不是已知的常数，而是由 $Q_i,R_i$ 的估计不确定性决定的——这就是我们推导的 $\theta_{i,\min},\theta_{i,\max}$ 及其对应的 $K_{i,\min},K_{i,\max}$。
|
||
|
||
------
|
||
|
||
## 2. $|\xi|_\infty$ 表示的含义
|
||
|
||
公式
|
||
|
||
∥ξ∥∞≤maxi{θi,max2−θi,min2(1+θi,min2)(1+θi,max2)}⋅∥μ∥∞\|\xi\|_\infty \le \max_i\left\{ \frac{\theta_{i,\max}^2-\theta_{i,\min}^2}{(1+\theta_{i,\min}^2)(1+\theta_{i,\max}^2)} \right\} \cdot \|\mu\|_\infty
|
||
|
||
其实是在说：
|
||
|
||
- **$\frac{\theta_{i,\max}^2-\theta_{i,\min}^2}{(1+\theta_{i,\min}^2)(1+\theta_{i,\max}^2)}$** 是**增益 $K_{i,k}$ 的最大可能变化幅度**（上界与下界之差）。
|
||
- **$\mu_i$** 是历史上**创新 $e_{i,k}$ 的平均绝对值**（$E|e_{i,k}|$），代表“输入量”的典型大小。
|
||
- 两者相乘，就是**因 $K_{i,k}$ 不确定性带来的 $\hat{x}_{i,k}$ 更新项波动的绝对值上界**。
|
||
|
||
取 $\infty$ 范数，就是取所有维度中最大的这个影响：
|
||
|
||
∥ξ∥∞≈maxi(增益变化幅度)×maxi(创新大小).\|\xi\|_\infty \approx \max_i \text{(增益变化幅度)} \times \max_i \text{(创新大小)}.
|
||
|
||
------
|
||
|
||
## 3. 直观解释
|
||
|
||
可以把它理解成：
|
||
|
||
> **“当我们对 $Q_i,R_i$ 的估计不确定时，卡尔曼增益 $K_i$ 会有一个可能的变化区间，这会导致更新量 $K_i e_i$ 出现额外波动。$|\xi|_\infty$ 给出了这种波动的最坏情况下的绝对值上界。”**
|
||
|
||
换句话说，它衡量的正是你问的
|
||
$$
|
||
Kk(zk−Hx^k−)\mathbf{K}_k \left(\mathbf{z}_k - \mathbf{H} \hat{\mathbf{x}}_k^- \right)
|
||
$$
|
||
这一项的**不确定性幅度**，但这里是**最坏情况下的最大绝对偏差**（sup-norm），而不是平均波动。
|
||
|
||
------
|
||
|
||
我可以帮你画一张图，把 **$K_i$ 区间 × 创新幅度 → 更新量波动范围** 的关系可视化，让你直观看出 $\xi$ 是怎么来的。这样你一看就能明白它在公式里扮演的角色。你要我画吗？
|