Fast Kalman Filter

Question

Je me demande si quelqu'un peut me donner un pointeur vers une implémentation de filtre de Kalman vraiment rapide/efficace, peut-être en Python (ou Cython, mais C/C++ pourrait aussi fonctionner si c'est beaucoup plus rapide). J'ai un problème avec de nombreuses époques d'apprentissage (peut-être des centaines de millions), et de nombreuses entrées (indices, disons, entre des dizaines et des centaines de milliers). Ainsi, mettre à jour une matrice de covariance sera un gros problème. Je lis un peu à propos de l'Ensemble KF, mais, pour l'instant, je voudrais vraiment m'en tenir à la norme KF. [J'ai commencé à le lire et à le tester, et je voudrais essayer avec mes vraies données. ]

Answer 1

La taille de la matrice de covariance dépend de la taille de votre état. Une autre question concerne les hypothèses sur votre modèle et si cela peut apporter des optimisations significatives (évidemment, l'optimisation implique de retravailler le "standard KF"). De mon POV, votre situation dépend à peu près de la valeur (number_of_states² * number_of_iterations)/(processing_power).

Answer 2

Si vous avez plusieurs mesures par mise à jour, vous devriez consulter le formulaire d'information du filtre de Kalman. Chaque mesure supplémentaire est juste une addition. Le compromis est une étape de prédiction plus complexe, et le coût d'inversion de la matrice d'information chaque fois que vous voulez sortir votre état.