Position 关于这个简单的1D Kalman案例的两个问题
所以我试图学习如何使用卡尔曼滤波器在某个时候在一个小型机器人上实现它们。这段视频和以下网页是我了解这些过滤器的很好的来源:Position 关于这个简单的1D Kalman案例的两个问题,position,sensors,robot,kalman-filter,proximitysensor,Position,Sensors,Robot,Kalman Filter,Proximitysensor,所以我试图学习如何使用卡尔曼滤波器在某个时候在一个小型机器人上实现它们。这段视频和以下网页是我了解这些过滤器的很好的来源: 让我们以一个简单的1D为例,我有一个传感器平台,两侧各有一个距离传感器,我们会说L是左侧传感器,R是右侧传感器。机器人被绑定在一个100单位长的盒子中,每个传感器只有10个单位的范围,我们认为它们的任何值大于7.5都是无效的。 当X=5时,平台将向前移动,我想使用过滤器来估计X,当我靠近墙壁时,使用从L/R输入的数据来校正X。我的论点如下: 在视频中,Francis G
让我们以一个简单的1D为例,我有一个传感器平台,两侧各有一个距离传感器,我们会说L是左侧传感器,R是右侧传感器。机器人被绑定在一个100单位长的盒子中,每个传感器只有10个单位的范围,我们认为它们的任何值大于7.5都是无效的。 当X=5时,平台将向前移动,我想使用过滤器来估计X,当我靠近墙壁时,使用从L/R输入的数据来校正X。我的论点如下:
P=FPF'+Q
),但从不通过测量减少P
,那么P
只能增加。不过,一般来说,我会提醒您不要将协方差矩阵P
视为过滤器的输出。您会注意到,它不受您的度量(缺少度量除外)或您的状态的影响。只有反复应用您自己对过程和测量噪声的估计(Q
和R
)才会对其产生影响,因此,如果您错了(例如,在您尝试时,使用相同的R
放入垃圾测量),您仍然会得到相同的P
E(v)=0
。如果您的传感器读数为“大约5”或5+v
,其中v
是一个平均值为零的随机变量,则平均传感器读数将得到非常接近5的结果。这就是传感器在范围内时的工作方式。v
的大小是您在R
中估计的值,因此过滤器知道需要多少平均值。如果传感器超出范围,最好不要将其包括在测量中。当传感器读数超出刻度时,值不是“大约10”,而是“可能至少10,可能更多”,并且噪声有偏差1) 我没有使用P作为输出,我认为你对过程噪声的看法是正确的,如果他使用的是时不变的kalman滤波器。我看不出还有别的办法。2) 关于超出范围测量的观点正是我需要知道的,不幸的是,在其他地方也找不到答案。@MykelStone:关于“超出范围”传感器的另一条评论:如果你真的需要包含传感器读取10的想法,你不能用测量来完成,但你可以通过约束来实现。有多种方案可用于将等式和不等式约束应用于KF。