0

我目前正在对来自 GPS、激光雷达、视觉和车辆测量的基于车轮的机器人姿势的传感器融合进行编码。它的模型是使用 EKF 的基本运动学模型，并且不区分传感器，即数据基于时间戳。

由于以下问题，我很难融合这些传感器；有时，当来自不同传感器的最新传入数据与传感器给出先前状态时，机器人的最新姿势会落后于先前姿势。因此，数据融合不会变得如此平滑和曲折。

我想丢弃在先前数据后面/后面绘制的数据，并获取始终位于先前状态前面/前面的数据，即使传感器提供的数据在时间戳 t 和时间戳 t+1 之间发生变化。由于数据框是全局框，因此不可能依靠其负的 x 坐标来实现这一点。

如果您对此有任何想法，请告诉我。非常感谢你。最好的，

4

1 回答 1

0

初步警告

在为您的问题提出可能的解决方案之前，让我在这里发出警告：小心丢弃基于您当前估计的数据，因为您永远不知道最后一个措施是“拉回姿势”还是前一个措施是错误的，并导致您的估计向前推进太多了。

可能的解决方案

在类卡尔曼滤波器中，假设观察提供了关于状态向量变量的独立、不相关的信息。假设这些观测值具有分布为零均值高斯变量的随机误差。不过，现实生活更难:-(

有时，度量会受到“偏差”（一个固定项，类似于具有非零均值的高斯误差）的影响。例如，已知对流层扰动会在 GPS 定位中引入位置误差，该误差会随时间缓慢漂移。如果您使用多个传感器观察相同的变量，例如 GPS 和激光雷达用于定位，但它们具有不同的偏差，您的估计将会来回跳跃。缩放问题可能会产生类似的效果。

我会假设这是你问题的根源。如果没有，请完善您的问题。

你怎样才能缓解这个问题？我看到了几种选择：

  • 在状态向量中引入偏差/比例校正项以补偿传感器偏差/漂移。这是 EKF 中用于惯性传感器融合（陀螺仪/加速度计）的一个非常常见的技巧，如果调整得当，它可以很好地工作。
  • 对感官输入应用一些预处理以纠正已知问题。调整滤波器以同时估计状态向量和传感器参数可能很困难。
  • 改变观察结果的解释方式。例如，使用连续位置观察之间的差异，以便您创建一个假里程计传感器。这大大减少了漂移问题。
  • 后处理您的输出。与其丢弃观察结果，不如整合它们并在内部保留“跳跃”状态向量，但平滑输出向量以消除跳跃。这是在一些无人机自动驾驶仪中完成的，因为这种跳跃会影响 PID 控制器的性能。

最后，最明显和最简单的方法：根据一些统计测试丢弃观察结果。残差的卡方检验可用于确定观察值是否与预期值相差太远并且必须丢弃。但是，请注意此选项：观察拒绝方案必须使用状态向量重新初始化逻辑来完成，以恢复稳定的行为。

几乎所有这些解决方案都需要知道每个观察的来源，因此您将不再能够模糊地对待它们。

于 2017-04-18T07:56:04.063 回答