1

だから私はカルマン フィルターを使用して小さなロボットにそれらを実装する方法を学ぼうとしています。このビデオと次の Web ページは、これらのフィルターを理解するための非常に良い情報源です。

YouTube: カルマン フィルターのチュートリアル
http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx

どちらかの側に 1 つの距離センサーがあるセンサー プラットフォームがある単純な 1D ケースを見てみましょう。L は左側のセンサーで、R は右側のセンサーです。ロボットは 100 単位の長さのボックスにバインドされ、各センサーの範囲は 10 単位のみであり、それらの値が ~7.5 を超えると無効と見なされます。

プラットフォームは、X <= 95 の間前進し、X >= 5 の間後退します。フィルターを使用して X を推定し、L/R からのデータを使用して、壁に近づいたときに X を修正したいと考えています。私の論点は以下の通りです。

  1. ビデオの15:50で、Francis Goversは、センサーを紛失するとエラーが無限大になり、センサーが適切なデータを提供していないことがわかると述べています。ただし、Web ページに表示されている 1D ケースを実装すると、大幅に変化するデータをフィードしてもエラーは減少し続けます。なんで？エラーが増えませんか？

  2. 1 に関連して、エラーが大きくなりすぎた場合、またはセンサーが無効なデータを提供していることがわかっている場合はどうすればよいですか? そうでない限り、補正ステップにセンサーを含めないだけですか?

これらが以前に尋ねられた場合は申し訳ありません。通常、私は自分で答えを見つけるのに非常に長けていますが、これらの質問は少しあいまいなようです（または、答えが明らかな可能性が高いです）が、それを見つけることができないようです自分。

4

1 に答える 1

1
  1. 私はそのビデオにまったく精通していませんが、彼は、プロセス ノイズ ( ) を繰り返し追加しても、測定によってP = FPF' + Q決して減少させない場合、増加することしかできないということを意味しているのかもしれません。ただし、一般的には、共分散行列をフィルターの出力と見なさないように注意してください。測定値 (測定値がないこと以外) や状態の影響を受けていないことがわかります。プロセスおよび測定ノイズ (および)の独自の推定値を繰り返し適用することによってのみ影響を受けるため、間違っている場合 (たとえば、同じ でガベージ測定値を入れようとした場合) は、同じ になります。PPPQRRP
  2. カルマン フィルターの基本的な仮定の 1 つは、すべてのノイズがガウス分布(古典的なベル カーブ分布) であり、平均値がゼロであるということです。分布をいろいろごまかすことができますが、ノイズが平均化してゼロになることが非常に重要です。これはE(v) = 0期待値 と書きます。センサーの読み取り値が「約 5」である場合、または5 + vが平均ゼロvの確率変数である場合、センサーの読み取り値を平均すると 5 に非常に近い結果が得られます。の大きさは、推定しているものであるため、フィルターは平均化が必要な量を認識しています。センサーが範囲外の場合vRその場合は、測定に含めないほうがよいでしょう。センサーがオフスケールを読み取った場合、値は「約10」ではなく、「おそらく少なくとも10、おそらくそれ以上」であり、ノイズには偏りがあります。
于 2015-02-17T17:42:36.250 に答える