使用卡尔曼滤波器集成GPS和加速度计数据的伪代码

Question

使用卡尔曼滤波器集成GPS和加速度计数据的伪代码

4

我有一些加速度传感器，每秒收集数据：

      AC.X  AC.Y AC.Z
9234 -0.98 -0.10 0.03
9235 -0.98 -0.10 0.03
9236 -0.98 -0.10 0.03
9237 -0.98 -0.10 0.03
9238 -0.98 -0.10 0.03
9239 -0.98 -0.10 0.03

GPS数据集被以较长的时间间隔捕获:

        X1        X2         X3 X4          X5 X6 X7 X8   X9   X10 X11  X12 X13 X14 X15 X16 X17 X18
81  $GPGGA 181553.00 4105.86029  N 08754.49966  W  1 06 1.90 00208   M -033   M     *53            
133 $GPGGA 181554.00 4105.86052  N 08754.49954  W  1 05 2.04 00208   M -033   M     *54            
185 $GPGGA 181555.00 4105.86002  N 08754.49950  W  1 06 1.90 00208   M -033   M     *59            
237 $GPGGA 181556.00 4105.85944  N 08754.49889  W  1 06 1.90 00207   M -033   M     *58            
289 $GPGGA 181557.00 4105.85952  N 08754.49877  W  1 07 1.30 00210   M -033   M     *52            
341 $GPGGA 181558.00 4105.85925  N 08754.49852  W  1 06 1.35 00209   M -033   M     *56

我一直在学习如何使用卡尔曼滤波器来整合这些数据，我开始逐渐理解算法的工作原理。两个数据集都会引入不同类型的误差（加速度计数据会随着时间漂移，但基本上没有噪音；GPS数据漂移很小，但有很多噪音），而卡尔曼滤波器可以让我们利用这些误差特性来获得更好的导航数据。然而，我仍然难以将其转化为代码。我擅长使用R和Python编程语言，但我只是想要一些通用的伪代码来帮助我入门。您知道任何好的资源或者对这类问题有经验吗？

- Stu

如果您需要使用JavaScript的帮助，我很乐意提供帮助。 - ProllyGeek

我非常感激那个.. 谢谢 @ProllyGeek - Stu

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Luke · Accepted Answer

卡尔曼滤波器是一种基于先前数据的算法。当您有可预测的运动（例如摆动的钟摆）时，实现起来很容易。然而，对于通用目的，正确实现可能会很困难。

我发现，如果您只想平滑GPS数据，实现更简单的LLS滤波器（线性最小二乘）会更容易（在某些情况下也更可靠）。以下是维基百科Wikipedia中考虑了2D空间中的三个点的Python示例，并且我将其用作我的代码起点：

import numpy as np
import matplotlib.pyplot as plt

x = np.random.rand(5,2)*10
a = np.matrix([ [1,x[0][0]], [1,x[1][0]], [1,x[2][0]] ])
b = np.matrix([ [x[0][2]], [x[1][3]], [x[2][4]] ])
yy = (a.T * a).I * a.T*b
xx = np.linspace(1,10,50)
y = np.array(yy[0]+yy[1]*xx)

plt.figure(1)
plt.plot(xx,y.T,color='r')
plt.scatter([x[0][0],x[1][0],x[2][0] ],[x[0][5],x[1][6],x[2][7] ]) 
plt.show()

如果您仍然有兴趣使用卡尔曼滤波器，这篇文章非常有用，可以在动态系统中实现加速度计的卡尔曼滤波器。