Ich habe ein System, in dem ich zwei separate Subsysteme zum Schätzen von Roboterpositionen habe. Das erste Subsystem besteht aus 3 Kameras, die zum Erkennen von Markierungen verwendet werden, die der Roboter trägt, und die 3 Schätzungen der Position und Ausrichtung des Roboters ausgeben. Das zweite Subsystem ist ein System, das sich am Roboter befindet und die Geschwindigkeit an den beiden Punkten des Roboters misst. Durch numerische Integration dieser beiden kann ich eine Schätzung der Position und Ausrichtung des Roboters erhalten (da ich zwei Punkte gleichzeitig verfolge).
Das erste System ist weniger genau, aber das zweite System driftet. Das erste System gibt ungefähr einmal pro Sekunde eine Ausgabe aus, während das zweite System viel häufiger eine Ausgabe liefert (100-200 Mal pro Sekunde).
Ich gehe davon aus, dass es einen besseren Ansatz geben muss, als nur die Position mit der Schätzung des ersten Systems zurückzusetzen (da diese nicht 100% genau ist), sondern auch die akkumulierte Position des zweiten Sensorsystems zu verwenden und diese mit den neuen Daten aus dem zu verschmelzen erstes System. Es gibt auch eine Frage, wie 3 Schätzungen des ersten Systems zusammengeführt werden können. Es muss einen besseren Weg als den reinen Durchschnitt geben, da es vorkommen kann, dass die beiden Schätzungen genau gleich sind und die dritte völlig unterschiedlich ist (was bedeutet, dass es wahrscheinlich falscher ist)?
Haben Sie Fusionsalgorithmen, die Sie in einem solchen System empfehlen können? Ich kenne mich mit Kalman-Filtern aus, aber ich habe Probleme, herauszufinden, wie ich sie verwenden kann, wenn die beiden Systeme Daten mit unterschiedlichen Frequenzen ausgeben.
Ich hoffe, die Frage ist klar genug: Was ist der beste Ansatz, um die Schätzungen zu einer korrekteren und genaueren Schätzung zusammenzuführen?
Vielen Dank
quelle