我正在尝试使用卡尔曼滤波器来预测下一个对象位置。我的数据由纬度和经度组成,每个 1s,所以,我也可以得到速度。
下面的代码显示了尝试使用 pykalman 包来预测更多位置。我只是通过添加前三个纬度/经度值来修改测量值。transition_matrices 和observation_matrices 对吗?我不知道我应该如何设置它们。
#!pip install pykalman
from pykalman import KalmanFilter
import numpy as np
kf = KalmanFilter(transition_matrices = [[1, 1], [0, 1]], observation_matrices = [[0.1, 0.5], [-0.3, 0.0]])
measurements = np.asarray([[41.4043467, 2.1765616], [41.4043839, 2.1766097], [41.4044208, 2.1766576]]) # 3 observations
kf = kf.em(measurements, n_iter=5)
(filtered_state_means, filtered_state_covariances) = kf.filter(measurements)
(smoothed_state_means, smoothed_state_covariances) = kf.smooth(measurements)
结果如下,远离正确的输出。
smoothed_state_means
array([[-1.65091776, 23.94730577],
[23.15197525, 21.2257123 ],
[43.96359962, 21.9785667 ]])
我怎样才能解决这个问题?我错过了什么?
使用纬度/经度时路径具有此形状
更新
我试过这些转换方式:
1.
R = 6378388.0 # m
rlat1_225 = math.radians(lat_225['message_basicContainer_reference_position_latitude'].values[i-1]/10000000)
rlon1_225 = math.radians(lon_225['message_basicContainer_reference_position_longitude'].values[i-1]/10000000)
dx = R * math.cos(rlat1_225) * math.cos(rlon1_225)
dy = R * math.cos(rlat1_225) * math.sin(rlon1_225)
pos_x = abs(dx*1000)
pos_y= abs(dy*1000)
2.
altitude=0
arc= 2.0*np.pi*(R+altitude)/360.0 #
latitude=lat_225['message_basicContainer_reference_position_latitude']/10000000
longitude=lon_225['message_basicContainer_reference_position_longitude']/10000000
dx = arc * np.cos(latitude*np.pi/180.0) * np.hstack((0.0, np.diff(longitude))) # in m
dy = arc * np.hstack((0.0, np.diff(latitude))) # in m
然而,在应用 EKF 之后,第一种方法似乎是正确的形状(我遵循了 Michel Van Biezen 的解释,我可以在 python 中使用跟踪平面)。
所以,我遵循使用 EKF 的第一种方法,预测是:
但是,当我将预测路径和原始路径重叠时,我得到了这个图
然后,使用第二种方法进行预测,结果是
似乎第一种方法是正确的,还是有其他方法?