Algorytm fuzji czujnika

Filtr Kalmana

Filtr Kalmana jest typowy.

Rdzeniem algorytmu jest ustalenie zestawu „przekonań” dla każdego czujnika. W każdej chwili dane czujnika z ostatniej chwili będą wykorzystywane do statystyki w celu poprawy zgadywania (samodawności), a jakość czujnika zostanie również oceniona. W porównaniu między przewidywaną wartością a zmierzoną wartością czujnika zostanie oszacowana i wyjściowa.

Oznacza to, że jeśli czujnik zawsze nadaje dobrą i spójną wartość i zaczyna mówić ci coś mało prawdopodobnego, poziom wiarygodności czujnika zmniejszy się za kilka milisekund, aż zacznie znów mieć sens.

Jest to lepsze niż proste uśrednianie lub głosowanie, ponieważ filtr Kalmana może poradzić sobie z sytuacją, w której większość czujników jest tymczasowo niepotwierdzona. Tak długo, jak można zachować dobry powód, może sprawić, że robot przez mroczny moment.

Kalman Filter to zastosowanie bardziej ogólnych koncepcji łańcucha Markowa i rozumowania bayesowskiego, który jest systemem matematycznym, który iteracyjnie poprawia ich domysły przy użyciu dowodów. Narzędzia te są narzędziami używanymi w celu pomocy w nauce przetestowania pomysłów (które są również podstawą tego, co nazywamy „znaczeniem statystycznym”).

Dlatego można powiedzieć poetycko, że niektóre systemy fuzji czujników wyrażają esencję nauki z prędkością 1000 razy na sekundę.

Filtry Kalmana były używane na stacjach orbitalnych satelitów kosmicznych od dziesięcioleci. Ponieważ współczesne mikrokontrolery mogą uruchomić algorytm w czasie rzeczywistym, stają się coraz bardziej popularne w robotyce.