Localization 卡尔曼滤波需要

我有一个swarm机器人项目。定位系统使用超声波和红外发射器/接收器完成。精度为+-7厘米。我能够遵循leader算法。然而，我想知道，如果传感器的原始数据是好的，为什么我还必须使用卡尔曼滤波器？它将改进什么？IS不仅会延迟发送给机器人的坐标（坐标不会立即更新，因为每个机器人每秒发送4次坐标需要时间进行卡尔曼滤波运算）

一般来说，卡尔曼滤波通过求和（使用正确的系数）测量值（传感器输出）来帮助提高传感器精度以及传感器输出的预测。预测是最难的部分，因为您需要创建以某种方式预测传感器输出的模型。我认为在你的情况下，没有必要花时间创建这个模型

通常，卡尔曼滤波器通过对测量（传感器输出）和传感器输出的预测求和（使用正确的系数）来帮助提高传感器精度。预测是最难的部分，因为您需要创建以某种方式预测传感器输出的模型。我认为在你的情况下，没有必要花时间创建这个模型

传感器数据是永远不会真相，不管它们有多好。他们总是被一些噪音打扰。此外，它们的精度是有限的。所以传感器数据只不过是你所做的观察，你要做的是根据这些观察来估计真实的状态。用数学术语来说，您希望根据这些度量来估计可能性或联合概率。您可以根据上下文使用不同的工具来实现这一点。其中一个工具是卡尔曼滤波器，在最简单的情况下，它只是一个移动平均值，但通常与动态模型和误差/状态分布的一些假设结合使用，以便有用。动态模型对状态传播（例如了解先前状态的运动）和观测（测量）进行建模，在机器人学/SLAM中，通常假设误差为高斯误差。这种滤波器的一个非常重要和有用的产品是根据协方差估计不确定性

现在，潜在的改进是什么？基本上，您要确保传感器测量值与数学模型一致，并且“平滑”。例如，如果要估计移动车辆的位置，运动学方程将告诉您车辆的预期位置，并且您具有相关协方差。您的测量值也带有协方差。因此，如果你得到的测量结果的确定性很低，你最终会相信数学模型而不是测量结果，反之亦然

---

最后，如果您担心延迟。。。请注意，标准扩展卡尔曼滤波器的复杂度大致为

O（N^3）

，其中

N

是地标的数量。因此，如果你真的没有足够的计算能力，你只需将状态降低到

姿势、速度

，这样开销就可以忽略不计。

传感器数据是永远不会真相，不管它们有多好。他们总是被一些噪音打扰。此外，它们的精度是有限的。所以传感器数据只不过是你所做的观察，你要做的是根据这些观察来估计真实的状态。用数学术语来说，您希望根据这些度量来估计可能性或联合概率。您可以根据上下文使用不同的工具来实现这一点。其中一个工具是卡尔曼滤波器，在最简单的情况下，它只是一个移动平均值，但通常与动态模型和误差/状态分布的一些假设结合使用，以便有用。动态模型对状态传播（例如了解先前状态的运动）和观测（测量）进行建模，在机器人学/SLAM中，通常假设误差为高斯误差。这种滤波器的一个非常重要和有用的产品是根据协方差估计不确定性

现在，潜在的改进是什么？基本上，您要确保传感器测量值与数学模型一致，并且“平滑”。例如，如果要估计移动车辆的位置，运动学方程将告诉您车辆的预期位置，并且您具有相关协方差。您的测量值也带有协方差。因此，如果你得到的测量结果的确定性很低，你最终会相信数学模型而不是测量结果，反之亦然

---

最后，如果您担心延迟。。。请注意，标准扩展卡尔曼滤波器的复杂度大致为

O（N^3）

，其中

N

是地标的数量。因此，如果你真的没有足够的计算能力，你可以将状态降低到

姿势、速度，这样开销就可以忽略不计。
虽然你从传感器获得了准确的数据，但它们不可能总是一致的。卡尔曼滤波器不仅可以识别测量数据中的任何异常值，而且可以在某些测量丢失时进行预测。然而，如果你真的在寻找计算要求较少的东西，那么你可以选择一个免费的过滤器。
虽然你从传感器获得了准确的数据，但它们不可能总是一致的。卡尔曼滤波器不仅可以识别测量数据中的任何异常值，而且可以在某些测量丢失时进行预测。但是，如果您真的在寻找计算要求较低的传感器，那么您可以选择一个免费的过滤器。
预测不一定是最难的部分，尤其是当您可以使用不同的传感器进行预测/观察时，其中一些传感器可能已经离线校准，一些传感器可能必须校准