卡尔曼滤波中异步数据的处理

Question

我正在实现一个卡尔曼滤波器，它融合了3d位置数据(提供了2种不同的计算机视觉算法)。我用一个9维的状态向量(位置、速度和加速度)来模拟这个问题.然而，来自每个传感器的数据并不是同时来的。由于我计算速度时，考虑到前一个数据接收点和当前数据点之间的时间步长，两个连续的数据点可能会有很大的不同，但只需很小的时间步长就可以分开，从而使位置看起来变化得很快。

我想知道是否有人对处理这个问题的最佳方法有洞察力或指导性--卡尔曼滤波器本身会容忍这种行为吗？或者，我是否应该将在时间窗口内接收的所有数据放入垃圾箱，并减少对一批数据执行更新/预测周期的频率？我所看到的用于目标跟踪的kalman滤波器资源只使用了一台相机(即同步数据)，因此我很难找到与我的用例相关的信息。

任何帮助都是非常感谢的！谢谢!

Answer 1

从你的问题和我们在评论中的谈话中我所了解到的一切，让我首先简短地描述这个问题，并提出解决方案。

--快速重述

您有一个有两个独立传感器的系统，它们以不同的速率(30 5Hz和5 5Hz)进行测量(并且可能有一些时间抖动)。好消息是，每一个这样的测量都完全足以进行卡尔曼滤波的更新步骤。每个测量都有一个时间戳。

另一个重要的问题是，测量(也许)的精度很差，所以位置的变化看起来不可信。

--可能的解决方案

1. 定义一个最小的时间间隔来调用您的卡尔曼滤波器，这样任何接收到的测量都必须等待太长时间才能被处理。对我来说，100赫兹的频率可能是个不错的首选。在这种情况下，您的dt将是0.01 s。
2. 根据所选的F和Q矩阵(它们都强烈依赖于此值)设计dt和dt矩阵。
3. 在没有度量的每个调用中，执行预测步骤。一旦测量结果出现，就进行更新。所以你的通话顺序应该是：

呼叫顺序：

 init()
 predict()
 predict()
 predict()
 predict()
 update(sensor1)
 predict()
 update(sensor2)
 update(sensor1)
 predict()
 predict()
 update(sensor1)
 predict()
 and so on...

1. 要处理精度问题，您可以使用参考信号(地面真相)。分析每个传感器读取每个信号的(x, y, z)与参考值的误差。卡尔曼滤波器只能在读数时才能很好地工作，而读数的误差是正态分布的，平均值为零。如果你看到一些系统的偏移，也许你可以摆脱它。从观察到的误差中，您可以计算标准偏差(和方差)，这样您就可以告诉您的过滤器测量结果有多好。这将是你的R矩阵。
2. 如果你没有参考资料，你可以在原地不动的情况下做一些测量。所以你的参考位置是恒定的，你可以看看读数的散度。
3. 优化Q矩阵的元素，并描述状态元素的可能动态。一个较小的Q元素的位置将告诉过滤器不要改变它太快。因此，传感器的(可能的)不良性能将被部分消除(将低通滤波器视为直觉)。

我希望它能帮到你。如果我理解错了，请纠正我。它将有助于看到你的传感器读数的图表(如果可能的话，参考轨道)。