腾讯云

开发者社区

文档建议反馈控制台

首页

文章/答案/技术大牛

发布

社区首页 >问答首页 >使用UKF进行定位有没有办法将卡尔曼滤波器中的冗余传感器数据融合到一组状态变量中？

问使用UKF进行定位有没有办法将卡尔曼滤波器中的冗余传感器数据融合到一组状态变量中？
EN

Stack Overflow用户

提问于 2019-01-08 07:06:44

回答 1查看 34关注 0票数 0

我目前正在构建一个用于定向的UKF，并希望将卡尔曼滤波器中的冗余传感器数据融合到一组状态变量中，以提高精度(例如。将重力和磁矢量数据与陀螺数据融合)。有没有办法在滤波器中实现这一点，例如在H度量矩阵中？谢谢您抽时间见我。

matrix

android-sensors

sensor-fusion

媒体处理1元起

智能、强大、全面的多媒体数据处理服务，助您提升媒体质量、降低成本，媒体处理套餐低至1元

回答 1

Stack Overflow用户

发布于 2019-06-04 12:47:45

是的，这正是卡尔曼滤波器的用途。

困难的部分是建立测量矩阵，它告诉UKF每个状态变量如何与每个测量变量相关。(如果状态改变，那么给定的测量值将如何改变。)剩下的事情由英国外交部来做。

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/54086772

复制

无损卡尔曼滤波UKF与多传感器融合

编程算法 github

非线性系统状态估计是一大难点。KF（Kalman Filter）只适用于线性系统。EKF（Extended Kalman Filter）利用泰勒展开将非线性系统线性化。可是，EKF在强非线性系统下的误

用户1147754

2018/01/02

2.4K0

卡尔曼滤波器

对象函数模型数据算法

我们观测到的数据总是包含噪声的，为了得到更准确的结果，卡尔曼最早在1960年提出卡尔曼滤波器，Kalman Filter 的目的是利用先验知识，根据一批采样数据(X_1, X2, ...,X_n)估计对象在n时刻的状态Z_n。例如我们在跟踪飞行器的时候，我们对它的运动状态并非一无所知，我们知道很多牛顿力学、运动学知识可以帮助我们做出判断。

孔西皮

2023/10/18

4200

Lyft推出一种新的实时地图匹配算法

编程算法

打车有时也会职业病发作，琢磨一下车辆调度是怎么做的，路径规划算法要怎么写，GPS偏移该怎么纠正等等。不过就是想想而已，并没有深究。这篇是Lyft（美帝第二大打车平台）工程师分享的最近上线的地图匹配算法，非常有参考价值。

McGL

2020/09/27

1.3K0

使用卡尔曼滤波器和路标实现机器人定位

机器人 https 网络安全

让我来介绍一下——Robby 是个机器人。技术上说他是个过于简单的机器人虚拟模型，但对我们的目的来说足够了。Robby 迷失在它的虚拟世界，这个世界由一个2维平面构成，里面有许多地标。他有一张周围环境的地图（其实不需要地图也行），但是他不知道他在环境中的确切位置。

AI研习社

2019/03/14

1.2K0

卡尔曼滤波器（一）

其他

设每一次采样的观测值为Px,Py,Pz 所有采样值均默认服从正态分布和马尔可夫性（可能性均可按照发生概率运算）假设采样频率是10次/秒根据卡尔曼滤波算法卡尔曼滤波器代码如下 float gyrox = -(gx - gxo) / GyroRatio * dt; //x轴角速度 float gyroy = -(gy - gyo) / GyroRatio * dt; //y轴角速度 float gyroz = -(gz - gzo) / GyroRatio * dt;

Pulsar-V

2018/04/18

1.1K0

【转】卡尔曼滤波器

编程算法

在学习卡尔曼滤波器之前，首先看看为什么叫“卡尔曼”。跟其他著名的理论（例如傅立叶变换，泰勒级数等等）一样，卡尔曼也是一个人的名字，而跟他们不同的是，他是个现代人！卡尔曼全名Rudolf Emil Kalman，匈牙利数学家，1930年出生于匈牙利首都布达佩斯。1953，1954年于麻省理工学院分别获得电机工程学士及硕士学位。1957年于哥伦比亚大学获得博士学位。我们现在要学习的卡尔曼滤波器，正是源于他的博士论文和1960年发表的论文《A New Approach to Linear Filtering and Prediction Problems》（线性滤波与预测问题的新方法）。如果对这编论文有兴趣，可以到这里的地址下载：http://www.cs.unc.edu/~welch/kalman/media/pdf/Kalman1960.pdf 简单来说，卡尔曼滤波器是一个“optimal recursive data processing algorithm（最优化自回归数据处理算法）”。对于解决很大部分的问题，他是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测等等。 2．卡尔曼滤波器的介绍（Introduction to the Kalman Filter）为了可以更加容易的理解卡尔曼滤波器，这里会应用形象的描述方法来讲解，而不是像大多数参考书那样罗列一大堆的数学公式和数学符号。但是，他的5条公式是其核心内容。结合现代的计算机，其实卡尔曼的程序相当的简单，只要你理解了他的那5条公式。在介绍他的5条公式之前，先让我们来根据下面的例子一步一步的探索。假设我们要研究的对象是一个房间的温度。根据你的经验判断，这个房间的温度是恒定的，也就是下一分钟的温度等于现在这一分钟的温度（假设我们用一分钟来做时间单位）。假设你对你的经验不是100%的相信，可能会有上下偏差几度。我们把这些偏差看成是高斯白噪声（White Gaussian Noise），也就是这些偏差跟前后时间是没有关系的而且符合高斯分配（Gaussian Distribution）。另外，我们在房间里放一个温度计，但是这个温度计也不准确的，测量值会比实际值偏差。我们也把这些偏差看成是高斯白噪声。好了，现在对于某一分钟我们有两个有关于该房间的温度值：你根据经验的预测值（系统的预测值）和温度计的值（测量值）。下面我们要用这两个值结合他们各自的噪声来估算出房间的实际温度值。假如我们要估算k时刻的是实际温度值。首先你要根据k-1时刻的温度值，来预测k时刻的温度。因为你相信温度是恒定的，所以你会得到k时刻的温度预测值是跟k-1时刻一样的，假设是23度，同时该值的高斯噪声的偏差是5度（5是这样得到的：如果k-1时刻估算出的最优温度值的偏差是3，你对自己预测的不确定度是4度，他们平方相加再开方，就是5）。然后，你从温度计那里得到了k时刻的温度值，假设是25度，同时该值的偏差是4度。由于我们用于估算k时刻的实际温度有两个温度值，分别是23度和25度。究竟实际温度是多少呢？相信自己还是相信温度计呢？究竟相信谁多一点，我们可以用他们的covariance来判断。因为Kg^2=5^2/(5^2+4^2)，所以Kg=0.78，我们可以估算出k时刻的实际温度值是：23+0.78*(25-23)=24.56度。可以看出，因为温度计的covariance比较小（比较相信温度计），所以估算出的最优温度值偏向温度计的值。现在我们已经得到k时刻的最优温度值了，下一步就是要进入k+1时刻，进行新的最优估算。到现在为止，好像还没看到什么自回归的东西出现。对了，在进入k+1时刻之前，我们还要算出k时刻那个最优值（24.56度）的偏差。算法如下：((1-Kg)*5^2)^0.5=2.35。这里的5就是上面的k时刻你预测的那个23度温度值的偏差，得出的2.35就是进入k+1时刻以后k时刻估算出的最优温度值的偏差（对应于上面的3）。就是这样，卡尔曼滤波器就不断的把covariance递归，从而估算出最优的温度值。他运行的很快，而且它只保留了上一时刻的covariance。上面的Kg，就是卡尔曼增益（Kalman Gain）。他可以随不同的时刻而改变他自己的值，是不是很神奇！下面就要言归正传，讨论真正工程系统上的卡尔曼。 3．卡尔曼滤波器算法（The Kalman Filter Algorithm）在这一部分，我们就来描述源于Dr Kalman 的卡尔曼滤波器。下面的描述，会涉及一些基本的概念知识，包括概率（Probability），随即变量（Random Variable），高斯

钱塘小甲子

2019/01/29

9820

自动驾驶中的传感器融合算法：第一部分-卡尔曼滤波器和扩展卡尔曼滤波器

其他

追踪静止和移动的目标是自动驾驶技术领域最为需要的核心技术之一。来源于多种传感器的信号，包括摄像头，雷达，以及激光雷达（基于脉冲激光的测距设备）等传感器组合的组合体来估计位置，速度，轨迹以及目标的种类，例如其他车辆和行人。详情请见：Link（原文中的链接是无效的因此我将原作者的文章连接替换了）

AI研习社

2018/12/07

2.6K0

github python 编程算法

PythonRobotics 是用 Python 实现的机器人算法案例集合，该库包括了机器人设计中常用的定位算法、测绘算法、路径规划算法、SLAM、路径跟踪算法。 Github 地址： https://github.com/AtsushiSakai/PythonRobotics 需求 Python 3.6.x numpy scipy matplotlib pandas cvxpy 如何使用安装所需的库 Clone 该库在每个目录中执行 python 脚本如果你喜欢这个库，请 star ：）

AI研习社

2018/03/16

2.5K0

Github 项目推荐 | 用 Python 实现的机器人算法示例集合 —— PythonRobotics

卡尔曼滤波器的特殊案例

机器学习神经网络深度学习人工智能

卡阿尔曼滤波器为每个结果状态找到最佳的平均因子。另外，以某种方式保存过去的状态。它针对每个时间范围对变量执行联合概率分布。该算法对每个步骤使用新的均值和新方差，以便计算结果的不确定性，并尝试为测量更新（传感/预测）和运动更新（运动）的每个时间范围提供准确的测量。该算法还使用其他误差和统计噪声来表示初始的不确定性。

小白学视觉

2022/04/06

6350

卡尔曼滤波器(Kalman Filters)

其他

卡尔曼滤波器，这是一种使用噪声传感器测量（和贝叶斯规则）来生成未知量的可靠估计的算法（例如车辆可能在3秒内的位置）。

小飞侠xp

2018/10/22

1.6K0

Matlab实现卡尔曼滤波器对室内温度进行预测。

命令行

1、点击[命令行窗口] 2、按<Enter>键

裴来凡

2022/05/28

3780

解读基于多传感器融合的卡尔曼滤波算法

机器人编程算法自动驾驶无人驾驶

卡尔曼滤波器是传感器融合工程师用于自动驾驶汽车的工具。想象一下，你有一个雷达传感器，告诉你另一辆车距离15米，一个激光传感器说车辆距离20米。你如何协调这些传感器测量？这就是卡尔曼滤波器的功能。卡尔曼滤波在自动驾驶汽车上的应用十分广泛，本文讲述卡尔曼滤波算法，希望对你有所帮助。

3D视觉工坊

2020/12/31

2.9K0

测试卡尔曼滤波器(Kalman Filter)

fpga

真实的温度测试数据，通过加热棒加热一盆水测得的真实数据，X轴是时间秒，Y轴是温度。

FPGA技术江湖

2020/12/30

8150

导航系统中里程计研究综述

图像处理

文章：A Survey on Odometry for Autonomous Navigation Systems

3D视觉工坊

2020/12/11

1.2K0

导航系统中里程计研究综述

图像处理

文章：A Survey on Odometry for Autonomous Navigation Systems

点云PCL博主

2021/04/13

1.4K0

卡尔曼滤波器原理和matlab实现

https 网络安全

项目最近正好用上kalman滤波器，故整理一下kalman滤波器相关资料，网上有很多详细的kalman资料，参考如下： 1、https://zhuanlan.zhihu.com/p/34656822 2、https://blog.csdn.net/m0_37953670/article/details/89528002 由于项目处理的是一维信号，过滤噪点，故上面2篇文献足够完成项目

用户9925864

2022/07/27

6550

Self-Driving干货铺2：卡尔曼滤波

机器人

卡尔曼滤波是无人驾驶中应用最广泛的算法之一，在传感器融合与定位中几乎无处不在，之前一直想写篇卡尔曼滤波器的文章，但理解和应用程度都无法企及BZARG 大神的文章，因此就对该文章分享一波，本文原文来自 BZARG 大神的文章《How a Kalman filter works, in pictures》，后 engineerlixl 大神进行了翻译。由于写得太好了，经过作者同意后和大家一起分享。另外关于卡尔曼滤波器Matlab官网也推出了介绍视频，感兴趣的可通过如下链接进行查看：

Defry

2022/04/19

6570

面向软件工程师的卡尔曼滤波器

机器人编程算法

与我的朋友交谈时，我经常听到：“哦，卡尔曼(Kalman)滤波器……我经常学它，然后我什么都忘了”。好吧，考虑到卡尔曼滤波器(KF)是世界上应用最广泛的算法之一(如果环顾四周，你80％的技术可能已经在内部运行某种KF)，让我们尝试将其弄清楚。

磐创AI

2020/03/04

9420

【译】图解卡尔曼滤波(Kalman Filter)

external filter

译者注：这恐怕是全网有关卡尔曼滤波最简单易懂的解释，如果你认真的读完本文，你将对卡尔曼滤波有一个更加清晰的认识，并且可以手推卡尔曼滤波。原文作者使用了漂亮的图片和颜色来阐明它的原理（读起来并不会因公式多而感到枯燥），所以请勇敢地读下去！

好好学SLAM

2021/05/28

4K0

近十年的VI-SLAM算法综述与发展（附链接）

学习方法编程算法 https 网络安全

本文转载自INDEMIND，作者半不闲居士@CSDN。文章仅用于学术分享。本文约7000字，建议阅读14分钟本文为作者在从事Slam相关工作中对这几年遇到以及改进过相关VIO算法内容总结。 1、背景介绍一个完整的 SLAM(simultaneous localization and mapping) 框架包括传感器数据、前端、后端、回环检测与建图，如图1所示，其中，前端将传感器的数据抽象成适用于估计的模型，回环检测判断机器人是否经过已知的位置。而后端接受不同时刻前端测量的位姿和回环检测的信息并对它们

数据派THU

2022/04/21

2.5K0

相似问题

具有冗余状态测量的卡尔曼滤波器

利用卡尔曼滤波对传感器数据进行综合

OpenCV卡尔曼滤波器

卡尔曼滤波器设计

有界卡尔曼滤波器

活动推荐

提供高质量视频生成与处理服务，效果专业

添加站长进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例