我对用Python实现卡尔曼滤波器很感兴趣。首先,我编写了一个非常简单的K滤波器版本--只有一个状态(在Y方向上的位置)。我的状态转换矩阵如下所示:
X <- X + v * t 其中v和t是常量。
我用一个简单的线性函数来模拟测量
y = mx + b并向其添加噪声:
y1 = np.random.normal(y, sigma, Nsamples).它工作得很好,我可以重新定义R和Q来改变测量和处理噪声值(直到现在,它不是一个矩阵)。
现在我有个主意..。
如果我有第二次测量,会发生什么?
y2 = np.random.normal(y, sigma2, Nsamples)我该怎么处理呢?我是否应该像这样对测量进行预过滤:
(y1 + y2) / 2或者,有没有更合适的方法/解决方案涉及卡尔曼滤波器?
发布于 2020-02-18 00:24:11
有许多方法可以使用卡尔曼滤波器来处理多个传感器测量的融合。要做到这一点,一种方法是用新的测量值顺序更新卡尔曼滤波器。
请参阅传感器融合先驱Hugh Durrant-Whyte在this answer中找到的幻灯片,了解如何融合传感器数据的相当多的方法。
https://stackoverflow.com/questions/60203984
复制相似问题