The*_*dor 16 fusion sensor filter kalman-filter
我很感兴趣,卡尔曼滤波器中的传感器融合设置中的双输入是如何建模的？
比如说你有一个加速度计和一个陀螺仪,想要呈现"地平线",就像在飞机上一样,这里有类似这样的好演示.
你如何实际收获两个传感器的正面特性并最大限度地减少负面影响？
这是在观察模型矩阵(通常用大写字母H表示)中建模的吗？
备注:在math.stackexchange.com上也没有任何答案地问过这个问题
Pab*_*och 19
通常,传感器融合问题源于贝叶斯定理.实际上,您的估计值(在这种情况下是地平线水平)将是传感器的加权和,这是传感器模型的特征.对于双传感器,您有两种常见的选择:建模双传感器系统并为每个传感器导出卡尔曼增益(使用系统模型作为预测器),或使用不同的观测模型运行两个校正阶段.您应该看一下贝叶斯预测器(比卡尔曼滤波器更通用),它精确地来自于给定两个不同信息源的估计方差.如果你有一个加权和,并最小化总和的方差,对于两个传感器,那么你得到卡尔曼增益.
可以在过滤器的两个部分中"看到"传感器的属性.首先,您有观察的误差矩阵.这是表示传感器观测中的噪声的矩阵(假设为零平均高斯噪声,这不是一个太大的假设,因为在校准期间,您可以实现零平均噪声).
另一个重要的矩阵是观测协方差矩阵.该矩阵可让您深入了解传感器在为您提供信息方面有多好(信息意味着"新"并且不依赖于其他传感器读数).
关于"收获好的特性",您应该做的是对传感器进行良好的校准和噪声表征(就是说好吗？).使卡尔曼滤波器收敛的最佳方法是为传感器提供良好的噪声模型,这是100%实验性的.尝试确定系统的方差(不要总是信任数据表).
希望有点帮助.