示例:
从IMU获取原始值后的过滤器
或将原始值转换为可用数据后的
过滤器,例如飞行动力学参数。
#1 楼
KF根据所有传感器输入和传感器相关性估算机器人姿态。如果您对指南针数据进行EKF,则确实需要机器人姿势来确定给定指南针读数的可能性。没有它,您就是只是低通滤波(不使用像KF这样的概率滤波器)。
如果在将所有内容放入同一帧之前进行滤波,那么我不会知道要过滤哪些信息。
由于我不完全了解“可用”的含义,因此我假设您已将所有传感器数据转换为机器人的坐标系。在这种情况下,过滤非常容易,因为您可以将所有传感器读数直接放入一个EKF中。实际上,这是我熟悉的“正常”过滤方法。
示例:
假设您的IMU连接到机器人。 IMU将用于估计机器人的姿势。只要IMU告诉您有关机器人如何运动的信息,您使用什么单位都没有关系。然后,您可以将IMU的关联关系用于其他测量运动的事物,例如指南针或里程表。那就是KF的目的。 KF不是像带通滤波器之类的传感器滤波器。
这里有一个非常相关的答案。
#2 楼
过滤原始数据。(希望)过滤出杂草,以消除大多数噪声和错误。原始数据通常不是那么有用。
陀螺仪漂移,罗盘有很多噪音。 Kalman可以同时删除两者。
评论
$ \ begingroup $
Kalman调整机器人姿势上的传感器读数,然后更新机器人姿势。在不知道机器人姿势的情况下,您不能仅过滤传感器数据。否则,您只是在平滑数据。虽然平滑是滤波,但卡尔曼滤波不是平滑。
$ \ endgroup $
–乔什·范德·胡克(Josh Vander Hook)
13年3月22日在15:01
评论
$ \ begingroup $
我很难理解你的答案。可以说我必须将原始值从IMU转换为欧拉角。所以我应该在转换之前过滤原始数据?对?
$ \ endgroup $
–user697
2013年3月22日18:39
$ \ begingroup $
假设您的IMU连接到机器人。 IMU将估计机器人的姿势。只要IMU告诉您有关机器人如何运动的信息,您使用什么单位都没有关系。然后,您可以将IMU的关联关系用于其他测量运动的事物,例如指南针或里程表。那就是KF的目的。 KF不是像带通滤波器之类的传感器滤波器。
$ \ endgroup $
–乔什·范德·胡克(Josh Vander Hook)
13年3月22日在22:46
$ \ begingroup $
啊!好答案乔什! :)我现在知道了。谢谢!
$ \ endgroup $
–user697
13年3月22日在22:58