Zustandsraum
Kalman-Filter: Zustände schätzen aus Modell und verrauschten Messungen
Von Christian Reinwarth, Nachhilfe Christian Reinwarth · Nachhilfelehrer seit 2016 · Stand:
Ein Kalman-Filter kombiniert zwei unsichere Informationsquellen: die Vorhersage eines Modells und eine verrauschte Messung. Je nachdem, welcher Quelle man mehr trauen kann, gewichtet er beide optimal. In Regelungstechnik-Klausuren geht es meist um das Verständnis: Was bedeuten Q, R und P, und wie reagiert die Verstärkung?
Klausurrelevant für die RWTH Aachen →
Modell mit Prozess- und Messrauschen
Der Kalman-Filter arbeitet meist zeitdiskret mit dem Modell
\[ \mathbf x_{k+1} = \mathbf A\mathbf x_k + \mathbf b\,u_k + \mathbf w_k,\qquad y_k = \mathbf c^T\mathbf x_k + v_k \]\(\mathbf w_k\) ist das Prozessrauschen mit Kovarianzmatrix \(\mathbf Q\) (wie ungenau ist das Modell?), \(v_k\) das Messrauschen mit Kovarianz \(R\) (wie stark streut der Sensor?). Beide werden als mittelwertfrei, normalverteilt und unkorreliert angenommen. Dann liefert der Kalman-Filter die Schätzung mit dem kleinsten mittleren quadratischen Fehler.
Der Algorithmus: Prädiktion und Korrektur
1. Prädiktion (Modell vorausrechnen):
\[ \hat{\mathbf x}_k^- = \mathbf A\hat{\mathbf x}_{k-1} + \mathbf b\,u_{k-1},\qquad \mathbf P_k^- = \mathbf A\mathbf P_{k-1}\mathbf A^T + \mathbf Q \]2. Korrektur (Messung einarbeiten):
\[ \mathbf k_k = \frac{\mathbf P_k^-\mathbf c}{\mathbf c^T\mathbf P_k^-\mathbf c + R},\qquad \hat{\mathbf x}_k = \hat{\mathbf x}_k^- + \mathbf k_k\big(y_k - \mathbf c^T\hat{\mathbf x}_k^-\big),\qquad \mathbf P_k = (\mathbf I - \mathbf k_k\mathbf c^T)\,\mathbf P_k^- \]\(\mathbf P\) ist die Kovarianzmatrix des Schätzfehlers \(\mathbf x - \hat{\mathbf x}\), also ein Maß dafür, wie unsicher die Schätzung ist. Die Klammer \(y_k - \mathbf c^T\hat{\mathbf x}_k^-\) heißt Innovation: der Teil der Messung, den das Modell nicht vorhergesagt hat.
Was Q, R und P bewirken
- Großes R (schlechter Sensor): kleine Verstärkung, der Filter vertraut dem Modell. Schätzung glatt, aber träge.
- Großes Q (unsicheres Modell): \(\mathbf P^-\) wächst, große Verstärkung, der Filter folgt den Messungen. Schnell, aber verrauscht.
- P sinkt bei der Korrektur (jede Messung bringt Information) und steigt bei der Prädiktion um \(\mathbf Q\).
- Nur das Verhältnis von Q zu R bestimmt die Verstärkung. Beide mit demselben Faktor zu skalieren ändert \(\mathbf k\) nicht.
- Bei konstantem System konvergieren \(\mathbf P_k\) und \(\mathbf k_k\) gegen feste Werte (stationärer Kalman-Filter). Er ist dann ein Luenberger-Beobachter mit optimal gewählter Rückführung.
Die Grafik zeigt \(K_k\) für ein skalares System mit \(A = 1\), \(Q = 1\), \(R = 4\) und großer Anfangsunsicherheit \(P_0 = 10\): Anfangs vertraut der Filter fast nur der Messung, nach wenigen Schritten pendelt sich \(K\) beim stationären Wert ein.
Voraussetzungen und Grenzen
- Das System muss beobachtbar (mindestens entdeckbar) sein, sonst bleibt die Unsicherheit in manchen Richtungen groß.
- Es reichen Messungen eines Teils der Zustände, genau dafür ist der Filter da.
- Für nichtlineare Systeme gibt es den erweiterten Kalman-Filter (EKF), der in jedem Schritt linearisiert.
- Falsch angenommene Q und R machen die Schätzung nicht unbrauchbar, aber nicht mehr optimal.
Rechenbeispiel: eine Konstante aus verrauschten Messungen schätzen
Gegeben: Ein Füllstand ist konstant (\(A = 1\), \(Q = 0\)), der Sensor hat die Varianz \(R = 4\,\mathrm{cm^2}\). Vorwissen: \(\hat x_0 = 4\,\mathrm{cm}\) mit \(P_0 = 4\,\mathrm{cm^2}\). Messungen: 5,2; 4,6; 5,5; 4,9 cm.
Schritt 1: \(P_1^- = 4\), \(K_1 = 4/(4+4) = 0{,}5\), \(\hat x_1 = 4 + 0{,}5\,(5{,}2 - 4) = 4{,}6\), \(P_1 = 0{,}5\cdot 4 = 2\).
| k | Messung | K_k | Schätzung | P_k |
|---|---|---|---|---|
| 1 | 5,2 | 0,500 | 4,600 | 2,000 |
| 2 | 4,6 | 0,333 | 4,600 | 1,333 |
| 3 | 5,5 | 0,250 | 4,825 | 1,000 |
| 4 | 4,9 | 0,200 | 4,840 | 0,800 |
Deutung: Es gilt \(K_k = 1/(k+1)\) und \(P_k = 4/(k+1)\). Die Endschätzung 4,84 cm ist genau der Mittelwert aus Vorwissen und vier Messungen, weil alle fünf Informationen gleich genau sind. Der Kalman-Filter berechnet diesen Mittelwert rekursiv, ohne alte Messungen zu speichern.
Typische Klausuraufgaben mit Musterlösung
Aufgabe 1
Ein skalares System \(x_{k+1} = x_k + w_k\), \(y_k = x_k + v_k\) hat \(Q = 1\) und \(R = 4\). Berechne die stationäre Kalman-Verstärkung und die stationären Kovarianzen.
Musterlösung anzeigen
Stationär gilt \(P^- = P + Q\) und \(P = \dfrac{P^- R}{P^- + R}\). Einsetzen: \(P^- = \dfrac{P^- R}{P^- + R} + Q\) → \((P^-)^2 - Q P^- - QR = 0\).
\(P^- = \dfrac{1 + \sqrt{17}}{2} = 2{,}562\), \(K = \dfrac{P^-}{P^- + R} = 0{,}390\), \(P = (1 - K)P^- = 1{,}562\). Probe: \(P + Q = 2{,}562 = P^-\) ✓.
Aufgabe 2
Im System aus Aufgabe 1 wird ein schlechterer Sensor mit \(R = 8\) eingebaut. Wie ändert sich die stationäre Verstärkung, und was bedeutet das für die Schätzung?
Musterlösung anzeigen
\((P^-)^2 - P^- - 8 = 0\) → \(P^- = \dfrac{1 + \sqrt{33}}{2} = 3{,}372\), \(K = 0{,}297\) (vorher 0,390).
Die Verstärkung sinkt: Der Filter gewichtet die Messungen schwächer und das Modell stärker. Die Schätzung wird glatter, reagiert aber langsamer auf echte Änderungen, und ihre Unsicherheit \(P = 2{,}372\) ist größer als vorher.
Aufgabe 3
Richtig oder falsch? a) \(R\) ist die Kovarianz des Messrauschens. b) Nach der Korrektur ist \(P_k\) nie größer als \(P_k^-\). c) Mit \(Q = 0\) und konstantem Zustand geht die Verstärkung gegen null. d) Der Kalman-Filter braucht Messungen aller Zustände.
Musterlösung anzeigen
a) richtig. b) richtig: \(P_k = (1 - K)P_k^-\) mit \(0 \le K \le 1\) (skalar), jede Messung verringert die Unsicherheit. c) richtig: Die Unsicherheit wird beliebig klein, neue Messungen ändern die Schätzung immer weniger (siehe Rechenbeispiel). d) falsch: Gerade nicht gemessene Zustände werden über das Modell geschätzt, Voraussetzung ist Beobachtbarkeit.
Häufige Fehler
- Q und R vertauscht: Q beschreibt das Modell, R den Sensor.
- P als Kovarianz der Messung statt als Kovarianz des Schätzfehlers gedeutet.
- Bei der Prädiktion das \(+\mathbf Q\) vergessen: Ohne Prozessrauschen würde die Verstärkung fälschlich gegen null gehen.
- Geglaubt, ein größeres R mache die Schätzung schneller: Es macht sie träger.
Verwandte Themen
Häufige Fragen
Was macht ein Kalman-Filter?
Er schätzt die Zustände eines Systems, indem er eine Modellvorhersage und verrauschte Messungen kombiniert. Die Gewichtung hängt von den angenommenen Unsicherheiten des Modells und des Sensors ab.
Was bedeutet die Matrix P im Kalman-Filter?
P ist die Kovarianzmatrix des Schätzfehlers. Kleine Werte bedeuten eine sichere Schätzung. P wird bei jeder Messung kleiner und bei jeder Vorhersage durch das Prozessrauschen größer.
Stand: 2026-11-16 · Christian Reinwarth, Nachhilfe Regelungstechnik seit 2016. Fehler entdeckt? Schreib mir.