カルマンフィルターと指数フィルターの長所と短所は何ですか? マルチセンサー フュージョンの問題があり、どの方法を選択するかを決めようとしています。
カルマンフィルターは計算が複雑ですが、システムのより詳細なモデルを持っているため、マルチセンサーフュージョンでより正確（？）です。
一方、指数フィルタは単純な式ですが、アルファの選択によって制限されます (アルファが高い => フィルタの「メモリ」が少ないため、平滑化は少なくなりますが、測定値の重みが高くなります。一方、アルファが低いと、平滑化の度合いが高くなりますが、突然変化します)。正しく反映されません。
指数関数フィルターは、ジッターなどがある場合のノイズ キャンセリングに役立ちますが、カルマン フィルターは実際のマルチセンサー フュージョンに役立ちます。これは正しいです？
また、センサーフュージョンに遺伝的アルゴリズムはどの程度役立ちますか? 真の向きを推定するために磁気コンパスとジャイロスコープを組み合わせようとしています。
「カルマン フィルターと指数フィルターの長所と短所は何ですか? カルマン フィルターは計算が複雑ですが、システムの詳細なモデルがあるため、マルチセンサー フュージョンではより正確です (?)。」
基本的にはそれだけです。一般に、システムのモデルが優れているほど、カルマン フィルターを使用しているかどうかに関係なく、フィルターも優れています。
「指数関数フィルターは、ジッターなどがある場合のノイズ キャンセリングに役立ちます。一方、カルマン フィルターは、実際のマルチセンサー フュージョンに役立ちます。これは正しいですか?」
私はこの声明に同意しません。ノイズキャンセリングに関しては、カルマンフィルタが優れています。共分散行列に格納されているすべての情報を最大限に活用するため、ローパス フィルターよりもはるかにスマートです。見ているパフォーマンス指標が「フィルター処理された値が実際の値とどの程度一致しているか?」である場合 単純なローパスフィルターが期待できる最善のことは、そのパフォーマンスに一致することであり、それはランダムウォークの最も単純な場合のみです。興味深い状態遷移行列が得られるとすぐに、ローパスフィルターにはチャンスがないと思います。たとえば、速度の不確実性が位置の不確実性にどのように漏れるかがわからないためです。
「真の方位を推定するために磁気コンパスとジャイロスコープを組み合わせようとしています。」
これはまさに、カルマン フィルターが設計された種類のものです。
しかし、カルマン フィルターの実装の複雑さが気になる場合は、ローパス フィルター バージョンの実装から始めます。
1) 簡単なシミュレーションから始める
predictedAngle = oldAngle+rotationRate*dt
2) 測定値に基づいてシミュレーションの状態を更新します
rotationRate = alpha1*rotationRate +(1-alpha1)*gyro.rotationRate
filteredAngle = alpha2*predictedAngle+(1-alpha2)*compass.angle
これは基本的に、このシステムのカルマン (最も単純な) フィルターのフレームワークです。不足しているのは次のことだけです。
alphaの固定値を使用する代わりに、 「最適なカルマン ゲイン」を計算するステップを追加します。「また、センサーフュージョンに遺伝的アルゴリズムはどの程度有用ですか？」
それらがどこに収まるかわかりません。詳しく説明していただけますか?
指数フィルターは、カルマン フィルターの特殊なケースであり、考慮事項を次のように制限します。
したがって、これらの仮定が適用される場合、それらは同等です。それ以外の場合は、カルマン フィルターを使用してより良い結果を得ることができます (システムを適切にモデル化する場合)。
もう 1 つの主な決定事項は、速度を状態空間に含めるかどうかです。その場合は、カルマン フィルターが適しています。