Алгоритм слияния датчика

Калман фильтр

Фильтр Калмана типичен.

Ядро алгоритма состоит в том, чтобы установить набор факторов «убеждения» для каждого датчика. В каждом моменте данные датчика с последнего момента будут использоваться для статистики для улучшения предположения (самоуправления), и качество датчика также будет оценено. В сравнении между прогнозируемым значением и измеренным значением датчика будет оценено превосходное значение и выход.

Это означает, что если датчик всегда придает хорошую и последовательную ценность и начинает рассказывать вам что -то маловероятное, уровень достоверности датчика уменьшится за несколько миллисекунд, пока он снова не начнет иметь смысл.

Это лучше, чем простое усреднение или голосование, потому что Kalman Filter может иметь дело с ситуацией, в которой большинство датчиков временно не в порядке. Пока можно сохранить вескую причину, это может сделать робота через темный момент.

Kalman Filter - это применение более общих концепций цепи Маркова и байесовских рассуждений, которая является математической системой, которая итеративно улучшает их предположения с помощью доказательств. Эти инструменты являются инструментами, используемыми для того, чтобы помочь самой науке тестировать идеи (которые также являются основой того, что мы называем «статистической значимостью»).

Следовательно, можно сказать поэтически, что некоторые системы слияния датчиков выражают сущность науки со скоростью 1000 раз в секунду.

Фильтры Калмана в течение десятилетий использовались на орбитальных станциях космических спутников. Поскольку современные микроконтроллеры могут управлять алгоритмом в режиме реального времени, они становятся все более популярными в робототехнике.