A）在更新步骤中，我应该只说我已经测量了p，并且依赖于滤波过程以及我积累的状态协方差矩阵（P），以更正v？ C）在我的更新/测量步骤中，我应该说我对p和
v都进行了测量，然后以某种方式将有关其相互依赖性的信息编码到度量协方差矩阵（R）中？
更多背景知识，下面是我遇到的具体情况问题：
我正在使用一个系统，该系统要估计对象的位置（p），并且我经常测量加速度（a）和不频繁地测量p高噪声。
我目前正在与使用扩展卡尔曼滤波器执行此操作的代码库，将其保留为状态变量p和v。在每次加速度测量之后运行“预测”步骤，在该步骤中，它使用测得的a和增量时间来积分和预测新的p和v v。然后，它对每个（不频繁的）p测量运行一个“更新” /“测量”步骤。错误的v。显然，对a的进一步测量永远不会纠正此问题，但是对p的测量应该摆脱此错误。而且，实际上，这似乎确实发生了……但是非常缓慢。
我在想这可能部分是因为p在此系统中影响v的唯一方法是通过协方差矩阵P-即上面的方法A）-这似乎是间接的。我想知道是否会有更好的方法将我们对p和v之间的这种关系的知识整合到模型中，以便对p的测量可以更快地校正v。 br />
#1 楼
在理想的世界中，您将拥有正确的模型并使用它。对于您而言，该模型并不完美。
但是，建议的步骤基于您对过程的了解-您应该使用动态模型矩阵将其合并到过程方程中：
根据您的知识正确构建了给定的F矩阵的经典正确方法。
“额外”预测步骤不会产生任何结果，因为$ {F} _ {ik} = {F} _ {ij} {F} _ {jk} $，如果缩短时间范围，则应相应地更改$ Q $和$ R $应该使您位于小步链的末尾，就像P_k_k-1。
如果不测量V，则必须以某种方式“估计”它。但是根据定义，如果您的案例属于使用Kalman滤波器的Kalman假设，则将产生最佳结果。
总而言之，请坚持使用“经典”。
评论
稍后，我将尝试返回更长的答案，但我对您的问题的立即反应是A）是，B和C）可能不是。您是否可以通过某种方式检测$ \ mathbf {a} $的高误差度量？如果您可以检测到异常值，则可以将其丢弃以减轻其影响。如果系统位置的采样率与动态相比太低，则可能很难获得出色的性能。另一件事；在状态转换矩阵中表示的$ \ mathbf {p} $和$ \ mathbf {v} $之间应该存在隐式关系。具体来说，应该表示$ \ mathbf {p_ {k + 1}} = \ mathbf {p_k} + \ mathbf {v_k} \ Delta t $或类似值。