Rauschen in Bewegungs- und Messmodellen

Wenn ich einen EKF für SLAM verwende, sehe ich oft, dass die Bewegungs- und Messmodelle einen Rauschbegriff haben.

Dies ist für mich sinnvoll, wenn Sie eine Simulation durchführen, bei der Sie einer simulierten Messung Rauschen hinzufügen müssen, um sie stochastisch zu machen. Aber was ist mit echten Roboterdaten? Ist das Rauschen bereits in der Messung und muss daher nicht hinzugefügt werden, oder bedeutet die Rauschmatrix etwas anderes?

In Probabilistic Robotics (auf Seite 329) gibt es beispielsweise ein Messmodell: $z_t^i = h(y,j) + Q_t$, wo $Q_t$ist eine Geräuschkovarianz. Tut$Q_t$ müssen bei der Arbeit mit realen Daten berechnet werden?

Wenn Sie den EKF (oder Standard-KF) an einem realen Roboter verwenden, möchten Sie dem Filter mitteilen, wie viel Rauschen in jeder Messung und im Prozess vorhanden ist.

Dies dient dazu, dass der Kalman-Filter entscheiden kann, wie sehr er jeder Datenquelle "vertraut", und daher die Gewichtung, um jede Messung in ihrer endgültigen Schätzung anzugeben.

Bei realen Roboterdaten ist das Rauschen bereits in der Messung enthalten. Ich denke, wenn Sie "Rauschmatrix" sagen, beziehen Sie sich auf die Kovarianzmatrix. Dies ist nicht das tatsächliche Rauschen an sich, sondern die Rauschkovarianzmatrix beschreibt die Größe des Rauschens (die vom Kalman-Filter erwartet werden kann) und die Korrelation zwischen verschiedenen Rauschausdrücken für eine Normalverteilung des Rauschens. Im Allgemeinen möchten Sie eine möglichst genaue Rauschkovarianz, die jedoch einfach geschätzt werden kann. Wenn Sie mit realen Daten arbeiten, können Sie ein schnelles Experiment durchführen, um die Rauschkovarianz zu schätzen, oder Sie können sie auch durch Konsultieren von Datenblättern schätzen oder einen etwas vernünftigen Wert auswählen. Wenn nicht viele Daten verfügbar sind, ist die Kovarianz normalerweise eine diagonale Matrix (dh keine Korrelation).Varianz . Das bedeutet, dass Sie dem Kalman-Filter mitteilen, wie unterschiedlich die verschiedenen Rauschquellen sind (Quadrat der Standardabweichung des Rauschens).

Wenn Sie sich andererseits fragen, warum die mit dem Kalman-Filter verbundenen Modelle möglicherweise einen Rauschausdruck haben (im Gegensatz zu einer Rauschkovarianz), handelt es sich nur um Modelle, und diese Gleichungen werden im Algorithmus nicht tatsächlich verwendet. Die vom Algorithmus verwendeten Gleichungen enthalten Begriffe, die die Rauschkovarianz darstellen (nicht das tatsächliche Rauschen - das unbekannt ist), für das normalerweise eine Online-Schätzung durchgeführt wird.