Yani, eğer durum değişkenleri pozisyon ( p ) ve hız ( v ) olarak varsa ve p'nin düşük frekanslı ölçümlerini yaparsam , bu da dolaylı olarak bana v hakkında bilgi verir ( p'nin türevi olduğu için ). Böyle bir ilişkiyi ele almanın en iyi yolu nedir?
Güncelleştirme aşamasında A), sadece I ölçümledik söylemek gerekir p ve filtreleme işlemi kullanan, ve benim birikmiş devlet kovaryans matrisi ( P doğru üzere,) v ?
B) p'nin ölçümü için güncelleme adımımdan önce veya sonra , yüksek varyanslı bir v tahminini yapmak için ölçülen p ve (nispeten büyük) delta zamanımı kullanan bir "ekstra" tahmin adımı oluşturmalı mıyım ?
Güncelleştirmemin / ölçüm aşamasında C) Ben ikisinin bir ölçüm yaptık demeliyim p ve v ve ölçüm ko-varyans matrisi (onların karşılıklı bağımlılık konusunda sonra bir şekilde kodlamak bilgi R )?
Biraz daha arka plan için, sorunla karşılaştığım özel durum:
Bir nesnenin konumunu ( p ) tahmin etmek istediğim bir sistemle çalışıyorum ve sık sık hızlanma ( a ) ve sık olmayan, yüksek gürültü ölçümleri p yapıyorum .
Şu anda bu durum değişkenleri p ve v olarak tutar Genişletilmiş Kalman Filtresi ile bunu yapan bir kod tabanı ile çalışıyorum . Her hızlanma ölçümünden sonra bir "tahmin" adımı yürütür; burada yeni p ve v'yi entegre etmek ve tahmin etmek için ölçülen a ve delta zamanını kullanır . Daha sonra her (seyrek) p ölçümü için bir "güncelleme" / "ölçümü" adımı çalıştırır .
Sorun şudur - Ben yüksek hatalılık v ile sonuçlanan bir zaman zaman yüksek hata ölçümleri almak . Açıkçası, daha da ölçümler bir Bunu düzeltmek asla ama ölçümleri p bu kurtulmak gerekir. Ve aslında, bu gerçekleşiyor gibi görünüyor ... ama çok yavaş.
Bunun kısmen olabileceğini düşünüyordum, çünkü p'nin bu sistemdeki v'yi etkilemesinin tek yolu kovaryans matrisi P - yani yukarıdan A) yöntemi - oldukça dolaylı görünüyor. P ve v arasındaki bu ilişki hakkındaki bilgimizi modele dahil etmenin daha iyi bir yolu olup olmadığını merak ediyordum , böylece p ölçümleri v'yi daha hızlı düzeltirdi .
Teşekkürler!