興味がありますが、カルマン フィルターのセンサー フュージョン設定のデュアル入力はどのようにモデル化されていますか?
たとえば、加速度計とジャイロを持っていて、飛行機のように「地平線レベル」を提示したいとします。このようなものの良いデモがここにあります。
2 つのセンサーのポジティブな特性を実際に収集し、ネガティブな特性を最小限に抑えるにはどうすればよいでしょうか?
これは観測モデル マトリックスでモデル化されていますか (通常は大文字の H で表されます)?
備考: この質問は、 math.stackexchange.comでも回答なしで尋ねられました。
通常、センサー フュージョンの問題は、ベイズの定理から導き出されます。実際には、推定値 (この場合は地平線レベル) は、センサー モデルによって特徴付けられるセンサーの加重合計になります。デュアル センサーの場合、2 つの一般的な選択肢があります。2 つのセンサー システムをモデル化し、各センサーのカルマン ゲインを導出する (システム モデルを予測子として使用)、または異なる観測モデルを使用して 2 つの補正段階を実行する。2 つの異なる情報源が与えられた場合に、推定値の分散を最小化することから正確に導き出される Bayesian Predictors (カルマン フィルターよりも少し一般的) を調べる必要があります。加重合計があり、2 つのセンサーの合計の分散を最小化すると、カルマン ゲインが得られます。
センサーの特性は、フィルターの 2 つの部分で「見る」ことができます。まず、観測の誤差行列を取得します。これは、センサー観測のノイズを表す行列です (ゼロ平均ガウス ノイズであると仮定されますが、キャリブレーション中にゼロ平均ノイズを達成できることを考えると、これはあまり大きな仮定ではありません)。
もう 1 つの重要な行列は、観測共分散行列です。このマトリックスは、情報を提供する際にセンサーがどの程度優れているかについての洞察を提供します (情報は「新しい」ものを意味し、他のセンサーの読み取りに依存しません)。
「良い特性を収穫する」については、センサーの適切なキャリブレーションとノイズ特性評価 (綴りは大丈夫ですか?) を行う必要があります。カルマン フィルターを収束させる最善の方法は、センサーに適切なノイズ モデルを用意することです。これは 100% 実験的なものです。システムの差異を判断してみてください (常にデータシートを信頼しないでください)。
それが少し役立つことを願っています。
水平線は G' * (u, v, f)=0 です。ここで、G は重力ベクトル、u と v の画像中心座標、f 焦点距離です。センサーの長所と短所: ジャイロは超高速で正確ですがドリフトします。加速度計は精度が低くなりますが (校正されている場合) バイアスがゼロでドリフトしません (重力以外の加速度がない場合)。それらはさまざまなものを測定します。加速度計は加速度を測定し、重力ベクトルに対する方向を測定し、ジャイロは回転速度を測定し、方向の変化を測定します。それを向きに変換するには、その値を統合する必要があります (ありがたいことに、100 ～ 200 のような高い fps でサンプリングできます)。したがって、線形であるはずのカルマン フィルターはジャイロには適用できません。今のところ、センサーフュージョンを読み取り値と予測の加重和として単純化できます。
データ分散に反比例する重みを使用して、加速度計と統合されたジャイロとモデル予測の 2 つの読み取り値を組み合わせることができます。加速度計は方位角についてあまり教えてくれないので、時々コンパスを使用する必要がありますが、水平線の計算には関係ないと思います. システムは応答性と正確性を備えている必要があり、この目的のために、方向が急速に変化するときはいつでもジャイロの重みを大きくする必要があります。システムが落ち着いて回転が止まると、加速度計の重みが上がり、ゼロバイアスの読み取り値をより統合し、ジャイロからのドリフトをなくすことができます。