问题标签 [kalman-filter]

可能重复：
结合陀螺仪和加速度计数据

我已经阅读了很多关于Kalman filters.

我有一个系统，其中包含一个三轴加速度计和一个陀螺仪，用于测量围绕加速度计轴之一的旋转。该系统设计为由人手持，大部分时间陀螺仪将测量围绕重力矢量或接近重力矢量的旋转。（在同一行业工作的人可能会从中认出我在说什么；））我意识到这是不受约束的。

陀螺仪似乎具有近乎恒定的偏差，对于系统的每个实例都略有不同。当系统倾斜时，我将如何编写过滤器以使用加速度计读数来校准陀螺仪，因此陀螺轴与重力不共线，并且围绕陀螺轴旋转？似乎应该有足够的信息来做到这一点，但被告知没有，为什么也会是一个答案:)

Oreilly 的书“Learning OpenCV”在第 356 页指出：

引用

在我们完全迷失之前，让我们考虑一个特殊的现实情况，即对在停车场行驶的汽车进行测量。我们可以想象汽车的状态可以用两个位置变量 x 和 y 以及两个速度 vx 和 vy 来概括。这四个变量将是状态向量 xk 的元素。这表明 F 的正确形式是：

将 'dt' 放在 F 矩阵中似乎很自然，但我就是不明白为什么。如果我有一个状态系统，我将如何在 F 矩阵中喷洒一些“dt”？

我有一组像Point(x,y). 在汽车在同一条道路上经过这么多路之后，它几乎弄乱了最终的地图。我听说卡尔曼滤波器可以从可用路径中创建一条路径。

任何机构都可以说如何制作吗？我不是计算机科学专业的。所以请向我解释一下这个概念和那些矩阵。然后我会给它们编码。请任何人告诉我这个概念。

我有三个陀螺仪值，俯仰、滚动和偏航。我想添加卡尔曼滤波器以获得更准确的值。我找到了实现卡尔曼滤波器的 opencv 库，但我无法理解它是如何工作的。

你能给我任何可以帮助我的帮助吗？我在互联网上没有找到任何相关的主题。

我试图让它适用于一个轴。

主要是

当我从陀螺仪接收数据时，我每次都会调用它：

我认为在 kalman_filter 中，第一个参数是前一个值，第二个是当前值。我不是，这段代码不起作用......我知道我有很多工作要做，但我不知道如何继续，要改变什么......

我很感兴趣，如何对卡尔曼滤波器中的传感器融合设置中的双输入进行建模？

例如，假设您有一个加速度计和一个陀螺仪，并且想要呈现“水平高度”，就像在飞机上一样，这里有一个很好的演示。

您如何实际收获两个传感器的正属性并最小化负属性？

这是否在观察模型矩阵中建模（通常用大写 H 表示）？

备注：在math.stackexchange.com上也有人问过这个问题，但没有任何答案

我从一个套接字中得到一个来自加速度计的数据流，其中有很多噪音。

我尝试使用低通滤波器，但无法获得真正平滑的结果。我想我需要使用卡尔曼滤波器，所以我必须实现一个“纠正”流中每个元素的函数

我正在使用 python，我在网上搜索了很多例子，但我不明白如何将它应用到我的项目中:).. 有人可以向我解释一个简单的方法来实现这个算法吗？:)

我想知道，卡尔曼滤波器和指数滤波器的优缺点是什么？我有一个多传感器融合问题，我正在尝试决定选择哪种方法。

我认为，卡尔曼滤波器的计算更复杂，但它具有更详细的系统模型，因此在多传感器融合中更准确（？）。

而指数滤波器是一个简单的方程，但它受到 alpha 的选择的限制（更高的 alpha => 更少的滤波器“记忆”，因此更少的平滑，但更多的测量权重，而较低的 alpha 具有更高的平滑度但突然变化没有正确反映。

当存在抖动等时，指数滤波器在噪声消除方面更有用，而卡尔曼滤波器对实际的多传感器融合很有用。这个对吗？

此外，遗传算法对传感器融合有多大用处？我正在尝试结合磁罗盘和陀螺仪来估计真实方向。

我正在关注这个 Matlab教程。

但是我在我的电脑中找不到教程文件，它应该在

docroot\toolbox\eml\gs\examples\sl_kalman

我在哪里可以在互联网上下载这些文件？

非常感谢你

我正在关注一个关于卡尔曼滤波器的可能众所周知的教程。

从这些代码行：

我明白那x是真实的位置，y是测量的位置，xhat是估计的位置。那么，如果我们可以计算x（这段代码：） x = a * x + b * u + ProcessNoise;，为什么我们还需要估计x呢？

我想学习使用卡尔曼滤波器跟踪移动的球。尽管有很多教程可用，但我仍然有一些问题。

1. 如果我们能在视频序列的每一帧中提取出球，我们就会知道球的位置。那么，为什么我们还需要使用卡尔曼滤波器呢？卡尔曼滤波器在这里的作用是什么？

2. 卡尔曼滤波器：x(k+1) = Ax(k) + Bu(k) + 噪声

   /li>

那么，我们如何定义 A、B、C 呢？假设我们要跟踪移动的球？

3. 如果我们知道先前状态 x(k-1) 和当前状态 y(k) 的测量值，我们可以计算估计状态。跟踪移动球时的“测量”是什么？