Sensors 不同采样率的卡尔曼滤波
我似乎找不到关于这个具体问题的线索,所以我自己发了一条 我正在从事一个大型的导航项目,在那里我可以使用Veghille的里程计和从激光雷达数据得出的位置估计。我可以将激光雷达估计的样本从1-20 Hz变化到不同的质量,里程计数据以40 Hz传输 我已经实现了一个标准的卡尔曼滤波器,遵循以下等式(来自维基百科): 预测 更新Sensors 不同采样率的卡尔曼滤波,sensors,prediction,kalman-filter,sensor-fusion,Sensors,Prediction,Kalman Filter,Sensor Fusion,我似乎找不到关于这个具体问题的线索,所以我自己发了一条 我正在从事一个大型的导航项目,在那里我可以使用Veghille的里程计和从激光雷达数据得出的位置估计。我可以将激光雷达估计的样本从1-20 Hz变化到不同的质量,里程计数据以40 Hz传输 我已经实现了一个标准的卡尔曼滤波器,遵循以下等式(来自维基百科): 预测 更新 我现在的问题是,当来自不同信息源的采样率不同时,如何(最佳地)使用卡尔曼滤波器?有两种方法: 首先,假设“迭代”是一个卡尔曼滤波预测+更新 变量dt:如果可以测量卡尔曼
我现在的问题是,当来自不同信息源的采样率不同时,如何(最佳地)使用卡尔曼滤波器?有两种方法: 首先,假设“迭代”是一个卡尔曼滤波预测+更新
其他人建议,为了避免上述问题2,您可以将H矩阵(以及相关的y、z、S、K)拆分为每个传感器的单独较小矩阵。因此,传感器A有自己的H、y、z、s、K矩阵,传感器B有自己的矩阵集,等等。如果在F或H中有非对角元素,这不是最优的。非对角元素意味着一个状态依赖于另一个状态,因此它们将显示协方差。K最终基于预测的状态协方差以及预测的观测协方差进行计算(请记住,如果您具有状态协方差,它通常通过H将协方差注入预测的观测值,更不用说H本身可能会创建额外的协方差)。如果开始将系统范围内的H,S矩阵分割为每个传感器的单独H,S矩阵,则最终会切断模型相关状态/观测之间的关系。这会导致次优K,因为某些协方差被删除。不需要使用卡尔曼滤波器的固定时间步长,因此您可以改变预测中使用的时间步长,以获得下一次测量的时间,然后执行更新。矩阵F和Q确实会随着时间步长的变化而变化,因此它们需要在运行中重新计算。@KeithBrodie谢谢你的回答,但你确定吗?因为我看到一些文章提到,当采样间隔不同时,要么降低一个采样率,要么插值另一个采样率。我想你指的是这样一种情况,即你只观察测量值的一个子集。在这种情况下,您需要使用顺序卡尔曼滤波器,以便仅使用测量向量的一部分进行更新。