卡尔曼滤波器与指数滤波器

Question

我想知道卡尔曼滤波器和指数滤波器有哪些优点和缺点？我有一个多传感器融合问题,我正在尝试决定选择哪种方法.

我认为,卡尔曼滤波器在计算上更复杂,但它具有系统的更详细的模型,从而更准确的(？)在多传感器融合.

而指数滤波器是一个简单的等式,但它是由阿尔法的选择(过滤器的较高级α-=>少"记忆",从而较小的平滑的,但多个权重对测量的,而较低的α具有更高程度的平滑化,但突然的变化的限制没有正确反映.

当存在抖动等时,指数滤波器在噪声消除中更有用,而卡尔曼滤波器对于实际的多传感器融合是有用的.它是否正确？

此外,遗传算法对传感器融合有多大用处？我正在尝试将磁罗盘和陀螺仪结合起来估算真实的方向.

谢谢!

Answer 1

“卡尔曼滤波器和指数滤波器的优缺点是什么？我认为，卡尔曼滤波器在计算上更加复杂，但是它具有系统的更详细模型，因此在多传感器融合中更加准确。”

基本上就是这样，通常，无论您是否使用卡尔曼滤波器，系统的模型越好，滤波器的性能就会越好。

“指数滤波器在出现抖动等情况下在噪声消除中更有用，而卡尔曼滤波器对于实际的多传感器融合则很有用。这是正确的吗？”

我不同意这个说法。卡尔曼滤波器在消除噪声方面很聪明。它比低通滤波器要聪明得多，因为它可以充分利用协方差矩阵中存储的所有信息。如果您要查看的性能指标是“过滤后的值与真实值有多接近？” 我认为，简单的低通滤波器可以做到的最好的是匹配它的性能，这只是在最简单的随机游动情况下。一旦有了一个有趣的状态转换矩阵，我认为低通滤波器就没有机会了，因为它看不到速度不确定性如何泄漏到位置不确定性中。

“我正在尝试结合使用磁罗盘和陀螺仪来估计真实方位。”

这恰恰是卡尔曼滤波器设计的目的。

但是，如果您担心实现卡尔曼滤波器的复杂性，请从实现低通滤波器版本开始：

1）从简单的模拟开始

    predictedAngle = oldAngle+rotationRate*dt

2）根据您的测量结果更新仿真状态

    rotationRate  = alpha1*rotationRate  +(1-alpha1)*gyro.rotationRate
    filteredAngle = alpha2*predictedAngle+(1-alpha2)*compass.angle

这基本上是该系统的kalman（最简单）过滤器的框架。所缺少的只是：

• 以矩阵格式编写所有内容
• 在仿真步骤中添加“过程噪声”
• 步骤添加到计算“最佳卡尔曼增益”，而不是使用固定值的alpha的
• 添加一个步骤来更新过滤器的协方差。

“而且，遗传算法对传感器融合有多大用处？”

我看不到它们适合的位置。您能详细说明一下吗？