作者热门文章
- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有两个传感器 和 乙 .我正在尝试使用扩展卡尔曼滤波器组合他们的传感器数据以进行高效的数据分析。由于数据类型是非线性的,我使用的是扩展卡尔曼滤波器。就我而言,来自传感器的数据 始终可靠,但来自传感器的数据的可靠性 乙 随时间变化。例如,在 t=0
,它的可靠性高,可靠性逐渐(均匀)下降,直到t=T
.在这种情况下,如何组合传感器数据以获得更好的优化结果?或者我如何为来自传感器的数据分配动态权重( t=0
到 t=T
) 乙 ?
更新 :我必须使用来自传感器 的数据乙 在 EKF 的预测阶段。
最佳答案
正如我在评论中已经提到的,您可以通过输入方差来表达传感器的可靠性。传感器 A 的方差将保持不变,而传感器 B 的方差随时间增加。
过滤器不关心系统中有多少传感器。它只是对其输入进行测量,就好像只有一个传感器一样。重要的是传达的差异。
这是带有两个加速度传感器的滤波器的简短 matlab 示例。状态空间由速度和加速度组成。传感器 A 在偶数调用时处于事件状态,而传感器 B 在奇数调用时处于事件状态。
function [] = main()
dt = 0.01;
t=(0:dt:70)';
acc_ref = sin(0.3*t) + 0.5*sin(0.04*t);
accA_std = 0.05; % standard deviation for Sensor A
accB_std = 0.1 + 0.01*t; % standard deviation for Sensor B
accA = acc_ref + randn(size(t)).*accA_std;
accB = acc_ref + randn(size(t)).*accB_std;
n = numel(t);
% state matrix (velocity, acceleration)
X = zeros(2,1);
% covariance matrix
P = diag([0.1, 0.1]);
% system noise
Q = diag([1, 0.02]);
% transition matrix
F = [1, dt;
0, 1];
% observation matrix
H = [0 1];
% measurement noise
R = 0; % will be set depending on sensor A or B
% kalman filter output through the whole time
X_arr = zeros(n, 2);
% fusion
for i = 1:n
% use sensor A at even and B at odd calls
if (mod(i, 2))
y = accA(i);
R = accA_std^2; %set varaince of Sensor A as measurement noise
else
y = accB(i);
R = accB_std(i)^2; %set varaince of Sensor B as measurement noise
end
if (i == 1)
[X] = init_kalman(X, y); % initialize the state using the 1st sensor
else
[X, P] = prediction(X, P, Q, F);
[X, P] = update(X, P, y, R, H);
end
X_arr(i, :) = X;
end
figure;
plot(t, acc_ref, 'LineWidth', 2);
hold on;
plot(t, accA, 'LineWidth', 1);
plot(t, accB, 'LineWidth', 1);
plot(t, X_arr(:, 2), 'LineWidth', 2);
hold off;
grid on;
legend('Ground Truth', 'SensorA', 'SensorB', 'Estimation');
end
function [X] = init_kalman(X, y)
X(1) = 0;
X(2) = y;
end
function [X, P] = prediction(X, P, Q, F)
X = F*X;
P = F*P*F' + Q;
end
function [X, P] = update(X, P, y, R, H)
Inn = y - H*X;
S = H*P*H' + R;
K = P*H'/S;
X = X + K*Inn;
P = P - K*H*P;
end
for i = 1:n
y1 = accA(i);
R1 = accA_std^2; %set varaince of Sensor A as measurement noise
y2 = accB(i);
R2 = accB_std(i)^2; %set varaince of Sensor B as measurement noise
if (i == 1)
[X] = init_kalman(X, y1); % initialize the state using the 1st sensor
else
[X, P] = prediction(X, P, Q, F);
[X, P] = update(X, P, y1, R1, H); %Update for Sensor A
[X, P] = update(X, P, y2, R2, H); %Update for Sensor B
end
X_arr(i, :) = X;
end
关于filtering - 如何使用扩展卡尔曼滤波器合并来自两个传感器的数据,其中一个传感器比另一个更可靠?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57249032/
我是一名优秀的程序员,十分优秀!