Kalman Фильтрация потребности

Данные датчиков НИКОГДА не являются правдой, какими бы хорошими они ни были. Их всегда будет беспокоить какой-нибудь шум. Кроме того, они обладают конечной точностью. Таким образом, данные датчиков - это не что иное, как наблюдение, которое вы делаете, и все, что вы хотите сделать, - это оценить истинное состояние на основе этих наблюдений. С математической точки зрения, вы хотите оценить вероятность или совокупную вероятность на основе этих измерений. Вы можете сделать это, используя разные инструменты в зависимости от контекста. Одним из таких инструментов является фильтр Калмана, который в простейшем случае представляет собой просто скользящее среднее, но обычно используется в сочетании с динамическими моделями и некоторыми предположениями о распределении ошибок / состояний, чтобы быть полезным. Динамические модели моделируют распространение состояний (например движение, зная предыдущие состояния) и наблюдение (измерения), а в робототехнике / SLAM часто предполагается, что ошибка является гауссовой. Очень важным и полезным продуктом таких фильтров является оценка неопределенности в терминах ковариаций.

Итак, каковы возможные улучшения? По сути, вы следите за тем, чтобы измерения вашего сенсора согласовывались с математической моделью и были плавными. Например, если вы хотите оценить положение движущегося транспортного средства, кинематические уравнения сообщат вам, где вы ожидаете, что транспортное средство будет, и у вас будет соответствующая ковариация. Ваши измерения также имеют ковариацию. Таким образом, если вы получаете измерения с низкой степенью достоверности, вы в конечном итоге доверяете математической модели вместо того, чтобы доверять измерениям, и наоборот.

Наконец, если вас беспокоит задержка ... Обратите внимание, что сложность стандартного расширенного фильтра Калмана составляет примерно O(N^3), где N - количество ориентиров. Поэтому, если у вас действительно недостаточно вычислительной мощности, вы можете просто уменьшить состояние до pose, velocity, и тогда накладные расходы будут незначительными.

В общем, фильтр Калмана помогает повысить точность датчика путем суммирования (с правильными коэффициентами) измерения (выходного сигнала датчика) и прогноза для выходного сигнала датчика. Прогнозирование - самая сложная часть, потому что вам нужно создать модель, которая каким-то образом предсказывает выходные данные датчиков. И я считаю, что в вашем случае нет необходимости тратить время на создание этой модели.

Хотя вы получаете точные данные от датчиков, они не всегда могут быть последовательными. Фильтр Калмана не только идентифицирует любые выбросы в данных измерений, но также может предсказать их, когда некоторые измерения отсутствуют. Однако, если вы действительно ищете что-то с меньшими вычислительными требованиями, вы можете воспользоваться дополнительным фильтром.