Bộ lọc Kalman Chaining

Nhóm của tôi đang chế tạo một robot để điều hướng tự động trong môi trường ngoài trời. Gần đây chúng tôi đã có một cảm biến IMU / GPS tích hợp mới mà dường như một số lọc Kalman mở rộng trên chip. Nó cung cấp cho cao độ, cuộn và ngáp, bắc, đông và vận tốc xuống, vĩ độ và kinh độ.

Tuy nhiên, chúng tôi cũng có một số bộ mã hóa được gắn vào bánh xe của chúng tôi, cung cấp vận tốc tuyến tính và góc. Trước khi chúng tôi có cảm biến IMU / GPS mới này, chúng tôi đã tạo EKF của riêng mình để ước tính trạng thái của chúng tôi bằng cách sử dụng bộ mã hóa và một số cảm biến giá rẻ khác. Chúng tôi muốn sử dụng bộ lọc trên chip của cảm biến mới này, nhưng cũng kết hợp các bộ mã hóa của chúng tôi vào hỗn hợp.

Có bất kỳ vấn đề với chuỗi các bộ lọc? Ý tôi là, chúng tôi sẽ sử dụng đầu ra của EKF trên chip cảm biến IMU / GPS làm bản cập nhật cho EKF của chính chúng tôi, giống như chúng tôi sử dụng dữ liệu đọc từ bộ mã hóa làm bản cập nhật cho EKF của chúng tôi. Nó có vẻ hợp lý với tôi, nhưng tôi đã tự hỏi những gì thường được cho là được thực hiện trong trường hợp này.

Bạn có thể sử dụng INS / GPS làm bản cập nhật cho đầu ra của EKF đầu tiên của bạn. Trên thực tế, đây không phải là chuỗi, mà chỉ đơn giản là điều chỉnh ước tính dựa trên thông tin được thêm từ INS / GPS.

Giả sử chúng ta có các chức năng sau:

P t + 1 | t x t P t u t x P u $x_{t+1|t}$ , = EKF_PREDICT ( , , ), cho các đầu vào dưới dạng trạng thái , hiệp phương sai và điều khiển đầu vào (ước tính bằng hình học) .$P_{t+1|t}$$x_t$$P_t$$u_t$$x$$P$$u_t$

và

P t + 1 | t + $x_{t+1|t+1}$ , = EKF_UPDATE ( x t + 1 | t , P t + 1 | t , x t + 1 ). $P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}$

Những ước tính từ các cảm biến là x t + 1 . Chúng tôi có những thứ như:$\hat{x}_{t+1}$

$\hat{x}^{gps}_{t+1} = f(GPS)$

$\hat{x}^{map}_{t+1} = f(map)$

$\hat{x}^{ins}_{t+1} = f(INS)$

vv cho tất cả các cách khác để ước tính trạng thái của robot. Vì vậy, chạy chức năng EKF_UPDATE cho tất cả các cảm biến đó là đủ tốt.

Vòng lặp của bạn sẽ giống như thế này:

cho tất cả thời gian $t$

• $u_t$$R_u$

• $x_{t+1|t}$$P_{t+1|t}$$x_t$$P_t$$u_t$$R_u$

• $S$

  • $\hat{x}^{S}_{t+1}$$R_{S}$

  • $x_{t+1|t+1}$$P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}, R_S$

  • kết thúc cho

• kết thúc cho

Một số hãy cẩn thận là:

• Vì chúng tôi đang sử dụng EKF, không có gì đảm bảo rằng ước tính độc lập với thứ tự cập nhật. Nghĩa là, nếu bạn thực hiện INS rồi GPS, ước tính kết quả có thể khác so với khi bạn cập nhật bằng GPS rồi INS. Đây không phải là một vấn đề lớn, nhưng bộ lọc sẽ yêu cầu điều chỉnh nhiều hơn đáng kể.

• Xin lưu ý rằng INS của bạn có độ lệch và độ lệch, điều này có thể ảnh hưởng đến độ tin cậy lâu dài của bạn. GPS có thể giúp bạn rất nhiều ở đây. Hầu hết các tài liệu đồng thời ước tính sự thiên vị và trôi dạt trong INS.