Verkettung von Kalman-Filtern

Mein Team baut einen Roboter, um in einer Umgebung im Freien autonom zu navigieren. Wir haben kürzlich einen neuen integrierten IMU / GPS-Sensor erhalten, der anscheinend eine erweiterte Kalman-Filterung auf dem Chip durchführt. Es gibt Nick-, Roll- und Giergeschwindigkeiten, Nord-, Ost- und Abwärtsgeschwindigkeiten sowie Breiten- und Längengrade an.

Wir haben jedoch auch einige Encoder an unseren Rädern angebracht, die lineare und Winkelgeschwindigkeiten liefern. Bevor wir diesen neuen IMU / GPS-Sensor erhielten, haben wir unseren eigenen EKF erstellt, um unseren Zustand mithilfe der Encoder und einiger anderer kostengünstiger Sensoren abzuschätzen. Wir möchten den On-Chip-Filter dieses neuen Sensors verwenden, aber auch unsere Encoder in die Mischung einbeziehen.

Gibt es ein Problem mit der Verkettung der Filter? Ich meine, wir würden die Ausgabe des On-Chip-EKF des IMU / GPS-Sensors als Update für unseren eigenen EKF verwenden, genauso wie wir die von den Encodern gelesenen Daten als Update für unseren EKF verwenden. Es scheint mir vernünftig, aber ich habe mich gefragt, was in diesem Fall normalerweise zu tun ist.

Sie können das INS / GPS als Aktualisierung der Ausgabe Ihres ersten EKF verwenden. Dies ist in der Tat keine Verkettung, sondern lediglich eine Konditionierung der Schätzung basierend auf den hinzugefügten Informationen vom INS / GPS.

Angenommen, wir haben die folgenden Funktionen:

$x_{t+1|t}$$P_{t+1|t}$$x_t$$P_t$$u_t$$x$$P$$u_t$

und

$x_{t+1|t+1}$$P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}$

$\hat{x}_{t+1}$

$\hat{x}^{gps}_{t+1} = f(GPS)$

$\hat{x}^{map}_{t+1} = f(map)$

$\hat{x}^{ins}_{t+1} = f(INS)$

usw. für alle anderen Möglichkeiten zur Schätzung des Zustands des Roboters. Das Ausführen der Funktion EKF_UPDATE für all diese Sensoren ist also gut genug.

Ihre Schleife wird ungefähr so ​​aussehen:

$t$

• $u_t$$R_u$

• $x_{t+1|t}$$P_{t+1|t}$$x_t$$P_t$$u_t$$R_u$

• $S$

  • $\hat{x}^{S}_{t+1}$$R_{S}$

  • $x_{t+1|t+1}$$P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}, R_S$

  • Ende für

• Ende für

Einige Einschränkungen sind:

• Da wir den EKF verwenden, gibt es keine Garantie dafür, dass die Schätzung unabhängig von der Reihenfolge der Aktualisierungen ist. Das heißt, wenn Sie INS und dann GPS ausführen, unterscheidet sich die resultierende Schätzung möglicherweise von der Aktualisierung mit GPS und INS. Dies ist normalerweise keine große Sache, aber der Filter erfordert deutlich mehr Abstimmung.

• Bitte beachten Sie, dass Ihr INS eine Tendenz und Abweichung aufweist, die Ihre langfristige Zuverlässigkeit beeinträchtigen kann. GPS kann Ihnen hier sehr helfen . Die meiste Literatur schätzt gleichzeitig die Verzerrung und Drift im INS.