GPS轨迹的逼近与插值

我有一系列gps值，每个值都包含：

时间戳、纬度、经度、n_卫星、gps速度、gps方向，

（数据的一些子集）。我不确定方向和速度值的质量。此外，我不能期望序列与时间戳间隔均匀。我想在一个均匀的时间步长上获得一个平滑的轨迹

我已经了解到卡尔曼滤波器是此类任务的首选工具。真的是这样吗

我发现了一些针对Python的卡尔曼滤波器的实现：

然而，这些假设似乎是有规则间隔的数据，即迭代。 整合对不规则间隔观测的支持需要什么

---

我可以想象的一件事是重复/调整预测步骤以适应基于时间的模型。你能为这个应用推荐这样的型号吗？是否需要考虑NMEA的速度值？

在到处寻找有关卡尔曼滤波器的可理解资源后，我强烈推荐这一个：

---

关于不规则间隔观测的特殊问题：请参阅上述参考文献中的第8章，标题为“非平稳过程”。总之，您需要使用不同的状态转移函数，并为每个迭代处理噪声协方差。这些是您在每次迭代中唯一需要更改的内容，因为它们是唯一依赖于delta t的组件。

您还可以尝试运动学插值，以查看结果是否符合您的预期

---

这里是其中一个算法的Python实现：

你自己找到了答案吗？@pksorensen最终我不需要（现在）-但当我现在重新阅读这个问题时，它可能有点适合这个网站。当然。卡尔曼滤波应该是一个很好的工具。只是为了寻找实现细节，然后问了一个问题，您希望在这些点之间插入的距离有多远？被跟踪的物体是什么？如果它是一个平面，插值很简单，汽车-不是那么多，人-非常困难。如果可以对对象的运动行为进行一些假设，则插值算法可以变得更简单、更精确。还有罗盘、加速计、陀螺仪、高度计等传感器吗？@Dojo通常连续点之间的距离可达几米，并且每秒钟更新一次