Sensor fusion algoritme

Kalman filter

Kalman filter er typisk.

Kernen i algoritmen er at indstille et sæt "belief"-faktorer for hver sensor. I hvert øjeblik vil sensordataene fra sidste øjeblik blive brugt til statistik for at forbedre gættet (selvtilføjelse), og kvaliteten af ​​sensoren vil også blive bedømt. Ved sammenligningen mellem den forudsagte værdi og den målte værdi af sensoren vil en fremragende værdi blive estimeret og udlæst.

Det betyder, at hvis en sensor altid giver en god og ensartet værdi og begynder at fortælle dig noget usandsynligt, vil sensorens troværdighedsniveau falde i løbet af få millisekunder, indtil det begynder at give mening igen.

Dette er bedre end simpel gennemsnitsberegning eller afstemning, fordi Kalman-filteret kan håndtere den situation, at de fleste sensorer midlertidigt er ude af drift. Så længe man kan beholde god grund, kan den få robotten igennem det mørke øjeblik.

Kalman-filter er en anvendelse af mere generelle begreber fra Markov-kæden og Bayesiansk ræsonnement, som er et matematisk system, der iterativt forbedrer deres gæt ved at bruge beviser. Disse værktøjer er værktøjer, der bruges til at hjælpe videnskaben selv med at teste ideer (som også er grundlaget for det, vi kalder "statistisk signifikans").

Derfor kan det siges poetisk, at nogle sensorfusionssystemer udtrykker videnskabens essens med en hastighed på 1000 gange i sekundet.

Kalman-filtre er blevet brugt i kredsløbsstationer af rumsatellitter i årtier. Fordi moderne mikrocontrollere kan køre algoritmen i realtid, bliver de mere og mere populære inden for robotteknologi.