01Overall Concept
ไอเดียหลัก — Kalman Filter ติดตาม state ที่มองไม่เห็นด้วยสองขั้นตอน คือ predict จากสมการการเคลื่อนที่และ update จาก observation โดยให้น้ำหนักตาม covariance ของความไม่แน่นอน
ลองนึกภาพว่า — เหมือนติดตามรถด้วยทั้งแบบจำลองความเร็วและ GPS ถ้า GPS แกว่งมากจะเชื่อแบบจำลองมากขึ้น แต่ถ้า GPS แม่นก็แก้ตำแหน่งตามการวัด
ตัวอย่างการนำไปใช้ — ติดตามตำแหน่ง กรองสัญญาณเซนเซอร์ และประมาณค่าระบบแบบออนไลน์
02อธิบายภาษาคนเข้าใจง่ายๆ
Kalman Filter เริ่มจากคำถามง่าย ๆ ว่า รวมค่าคาดจากระบบกับค่าที่เซนเซอร์วัดตามระดับความไม่แน่นอน วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนติดตามรถด้วยทั้งแบบจำลองความเร็วและ GPS ถ้า GPS แกว่งมากจะเชื่อแบบจำลองมากขึ้น แต่ถ้า GPS แม่นก็แก้ตำแหน่งตามการวัด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
Kalman Filter ติดตาม state ที่มองไม่เห็นด้วยสองขั้นตอน คือ predict จากสมการการเคลื่อนที่และ update จาก observation โดยให้น้ำหนักตาม covariance ของความไม่แน่นอน พารามิเตอร์หลักใน Playground คือ ความแปรปรวนการวัด R เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ ตำแหน่งจริงแฝง · การวัด 60 จุดที่มี noise เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น ติดตามตำแหน่ง กรองสัญญาณเซนเซอร์ และประมาณค่าระบบแบบออนไลน์ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: R สูง → เส้นกรองเรียบและตอบสนองต่อ observation ช้าลง พร้อมจำข้อจำกัดสำคัญว่า ตัวกรองมาตรฐานสมมติระบบเชิงเส้นและ noise แบบ Gaussian หาก Q หรือ R ผิด ผลอาจมั่นใจเกินจริง
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
observation ตามเวลา พร้อม transition และ covariance ของ process กับ measurement ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ measurement_noise เพื่อระบุความไม่แน่นอนของการวัด R และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
ทำนาย state และ covariance ไปข้างหน้า จากนั้น คำนวณ Kalman gain จากความไม่แน่นอนสองแหล่ง Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
แก้ state ด้วย innovation ระหว่างค่าจริงกับค่าคาด ผลที่ได้คือ filtered state covariance และ innovation ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ measurement_noise ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ตัวกรองมาตรฐานสมมติระบบเชิงเส้นและ noise แบบ Gaussian หาก Q หรือ R ผิด ผลอาจมั่นใจเกินจริง
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
measurement_noiseprocess_noisetransitionข้อมูลที่รับเข้ามา
observation ตามเวลา พร้อม transition และ covariance ของ process กับ measurement
ตำแหน่งจริงแฝง · การวัด 60 จุดที่มี noiseพารามิเตอร์ที่ใช้
- measurement_noise
- ระบุความไม่แน่นอนของการวัด R
- process_noise
- ระบุความไม่แน่นอนของการเปลี่ยน state Q
- transition
- กำหนดว่า state เคลื่อนไปช่วงถัดไปอย่างไร
ผลลัพธ์ที่ได้
filtered state covariance และ innovation
R สูง → เส้นกรองเรียบและตอบสนองต่อ observation ช้าลงคำนวณทีละขั้น
- 01
ทำนาย state และ covariance ไปข้างหน้า
- 02
คำนวณ Kalman gain จากความไม่แน่นอนสองแหล่ง
- 03
แก้ state ด้วย innovation ระหว่างค่าจริงกับค่าคาด
ควรรู้อีกนิด — ตัวกรองมาตรฐานสมมติระบบเชิงเส้นและ noise แบบ Gaussian หาก Q หรือ R ผิด ผลอาจมั่นใจเกินจริง
04Make it yours
# ติดตั้ง: pip install numpyimport numpy as np data = np.genfromtxt("kalman-filter-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] y = data[:, 1]process_noise, measurement_noise = .08, 0.45state, variance, filtered = y[0], 1.0, []for measurement in y: variance += process_noise gain = variance / (variance + measurement_noise) state += gain * (measurement - state) variance *= 1 - gain filtered.append(state)print("Filtered values:", np.array(filtered)[:8])print("Final state / variance:", state, variance)โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ปรับ ความแปรปรวนการวัด R แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ NumPy จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง