Zincirleme Kalman filtreleri

Ekibim, dış mekan ortamında özerk bir şekilde gezinmek için bir robot yapıyor. Kısa bir süre önce, çip üzerinde genişletilmiş Kalman filtrelemesi yapan yeni bir entegre IMU / GPS sensörü aldık. Perde, yuvarlanma ve sapma, kuzey, doğu ve aşağı hızlar, enlem ve boylam verir.

Ancak, tekerleklerimize lineer ve açısal hızlar sağlayan bazı kodlayıcılarımız da var. Bu yeni IMU / GPS sensörüne sahip olmadan önce, kodlayıcıları ve diğer düşük maliyetli sensörleri kullanarak durumumuzu tahmin etmek için kendi EKF'imizi yaptık. Bu yeni sensörün çip üstü filtresini kullanmak istiyoruz, ancak kodlayıcılarımızı karışıma dahil ediyoruz.

Filtreleri zincirlemede herhangi bir sorun var mı? Demek istediğim, IMU / GPS sensörünün çip üzerindeki EKF çıkışını, tıpkı kodlayıcılardan okunan verileri EKF'mize bir güncelleme olarak kullandığımız gibi, kendi EKF'miz için bir güncelleme olarak kullanacağız. Benim için makul görünüyor, ama bu durumda genellikle ne yapılması gerektiğini merak ediyordum.

INS / GPS'yi ilk EKF'nizin çıkışında güncelleme olarak kullanabilirsiniz. Bu aslında zincirleme değildir, ancak INS / GPS'den eklenen bilgilere dayanarak tahmini şartlandırır.

Aşağıdaki işlevlere sahip olduğumuzu varsayalım:

$x_{t+1|t}$ , = EKF_PREDICT ( , , ), durum , kovaryans ve kontrol girişleri (kilometre tarafından tahmin edilen) için .$P_{t+1|t}$$x_t$$P_t$$u_t$$x$$P$$u_t$

ve

$x_{t+1|t+1}$ , = EKF_UPDATE (x_ , , ). $P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}$

Sensörlerden gelen tahminler . Şöyle şeylerimiz var:$\hat{x}_{t+1}$

$\hat{x}^{gps}_{t+1} = f(GPS)$

$\hat{x}^{map}_{t+1} = f(map)$

$\hat{x}^{ins}_{t+1} = f(INS)$

robotun durumunu tahmin etmenin diğer tüm yolları için. Bu nedenle, tüm bu sensörler için EKF_UPDATE işlevini çalıştırmak yeterince iyidir.

Döngünüz böyle bir şey olacak:

her zaman için$t$

• Let poz mevcut odometri / kinematik tahmin olarak ve o tahmine gürültü olsun.$u_t$$R_u$

• $x_{t+1|t}$ , = EKF_PREDICT ( , , , )$P_{t+1|t}$$x_t$$P_t$$u_t$$R_u$

• tüm sensörleri için ,$S$

  • Let Sensörden gelen poz tahmin olabilir ve o tahmine gürültü$\hat{x}^{S}_{t+1}$$R_{S}$

  • $x_{t+1|t+1}$ , = EKF_UPDATE (x_ , , ). $P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}, R_S$

  • sonuna için

• sonuna için

Bazı uyarılar:

• EKF'yi kullandığımızdan, tahminin güncellemelerin sıralamasından bağımsız olduğuna dair bir garanti yoktur. Yani, INS sonra GPS yaparsanız, sonuç tahmini GPS ile INS sonra güncelleme farklı olabilir. Bu genellikle büyük bir sorun değildir, ancak filtre önemli ölçüde daha fazla ayar gerektirecektir.

• Lütfen INS'nizin uzun vadeli güvenilirliğinizi etkileyebilecek bir önyargıya ve sapmaya sahip olduğunu unutmayın. GPS burada size çok yardımcı olabilir . Çoğu literatür aynı zamanda INS'deki yanlılığı ve sapmayı tahmin etmektedir.