Machine learning 如何校正传感器与外部环境的偏差？

我有一个电磁传感器，它可以报告它在太空中读取的电磁场强度。 我还有一个发射电磁场的装置。它占地1米

所以我想用它的读数来预测传感器的位置。 但由于传感器受金属的影响，使得位置预测漂移

就像读数是1，你把它放在金属附近，你得到2。 差不多吧。这不仅仅是噪音，这是一个永久的漂移。除非移除金属，否则读数始终为2

一般来说，我需要学习哪些技巧或主题来恢复阅读1和阅读2？ 假设金属被固定在空间的某个地方，我可以先把它放在金属附近来校准传感器

---

一般来说，你可以提出任何关于消除漂移的建议。另外，请考虑我可以让另一个发射器放在某处，这样我就可以更容易地恢复真正的阅读。

< P>让我建议你把你的传感器输出视为两个因素的组合：

sensor_output = emitter_effect + environment_effect

并且您希望获得

发射器效果

，而无需添加

环境效果

。所以，你当然需要减去：

emitter_effect = sensor_output - environment_effect 

减去环境对传感器的影响通常称为补偿。为了补偿，您需要能够建模或预测您的环境（周围漂浮的额外金属）对传感器的影响。环境效果的模型形式可以非常简单，也可以非常复杂

简单的方法通常使用单独的传感器来估计环境影响。我不确定您的具体情况，但您可以选择一个传感器，独立测量设置中的干扰量（金属）

更复杂的方法可以执行补偿，而无需参考用于测量干扰的独立传感器。例如，如果您预计平均距离为10.0，并且只有偶尔的偏差，则可以使用该事实来估计存在多少干扰。根据我的经验，这种方法不太可靠；使用独立传感器测量干扰的系统更具可预测性和可靠性

如果您对基于模型的估计感兴趣，可以开始阅读卡尔曼滤波：

---

这是一个复杂的话题，所以你应该期待一个陡峭的学习曲线。卡尔曼滤波（以及相关的贝叶斯估计方法）是将“不良传感器读数”转换为“校正传感器读数”的正式方法。

我基本上了解卡尔曼滤波，我将其用作平滑器。所以对我来说，它就像一个函数，接收时间序列并输出平滑的时间序列。因此，如果输入已经漂移，它将不知道如何取消漂移。我还没有学会如何使用卡尔曼融合多个传感器，所以我不能说太多。但是谢谢你的建议，我会调查的。