我遇到的一件事是带有基于阈值的更新拒绝的Kalman过滤器，例如Mahalanobis距离：但是我不知道这是否完全适用，因为本地化将实时进行，这不像我有一大堆“好姿势”。我期望的最终结果是类似平滑处理，但是无法访问全部值。我发现的另一个选择是从提出“鲁棒贝叶斯加权卡尔曼滤波器”的论文中得出的，该滤波器对于实时离群值剔除非常有用，但是我仍然需要通读它：而且我在滤波/平滑方面没有太多经验，因此建议可能非常有帮助，也许与此有关的一个不错的定位机制？
#1 楼
如果您要谈论像素或现实空间中的地标位置，则将相机观察值与卡尔曼滤镜一起使用既是可接受的，也是标准做法。像素空间观测值通常是随机的Caushy分布，但事实证明，在这种情况下，高斯卡尔曼滤波效果很好。您描述的使用马哈洛诺比斯距离拒绝更新的方法是$ \ chi ^ 2 $选通，使用估计平均值的“运行”协方差确定候选观察值是否不在给定的置信区间内。
$$ \ chi ^ 2 =（z-\ hat {z}）^ \ top S ^ {-1}（z-\ hat {z}）$$
然后用您选择的置信区间替换$ \ chi ^ 2 $通常是在给定系统自由度（$ S $等级）的表格或图表中进行选择。例如，对于6个自由度，$ \ chi ^ 2_ {0.01} = 16.812 $，这意味着，如果$ \ chi ^ 2 \ ge 16.812 $则有$ 99 \％$的概率是异常值，您应该拒绝它。
要执行此操作，您需要跟踪协方差$ S $，最简单的方法是使用卡尔曼滤波器。
更简单的方法是对e中位数绝对偏差度量标准。
KF和MAD方法涉及记录小的数据集并描述方差。
注意：
任何拒绝方法的缺点是如果您从一个无效的姿势开始，并且没有“重置”的机制，那么您将始终被锁定在一个无效的姿势。一种简单的机制可以避免连续计数拒绝的次数，如果超过2秒，则强制过滤器更新（忽略拒绝）并重置$ P $矩阵。
#2 楼
我真的很喜欢Gouda的答案。但是，有一个问题，您指出“像素空间观察通常通常是随机柯西分布的”，这是怎么发生的？您能否指出一些参考文献或给出直观的解释？谢谢！
关于离群鲁棒卡尔曼滤波，有两种类似的方法可用于本文的高压。
一个基于L1正则化，请参见通过异常稀疏约束对动态过程进行双稳健平滑，另一个基于稀疏贝叶斯学习，请参见对异常值不敏感的卡尔曼平滑和边际消息传递。
评论
$ \ begingroup $
欢迎使用Effesian机器人技术。在堆栈交换中，答案只能回答问题。如果您有一个相关的问题，则应将其作为一个新问题（最好是参考此问题）提出。如果您想讨论问题或答案，可以在拥有聊天权限的情况下使用机器人聊天。如果您有关于如何改善问题或答案的想法，则可以在拥有评论权限时发表评论。请查看如何提问和游览以获取更多信息。
$ \ endgroup $
– Mark Booth♦
17年5月29日在11:37
评论
$ \ begingroup $
我使用if（residual> 3 * sqrt（Measurement_covariance_noise）then >>>>>，则拒绝异常值；如果我要尝试卡方检验，请结束，您如何选择阈值？因为，如果确定测量协方差噪声的等级会在所有步骤中发生变化，您需要对数据中位数进行所有测量，以使其无法在线工作！
$ \ endgroup $
–维吾尔族
18年7月10日在12:20