이 상황에 정확히 사용할 수있는 간단한 칼만 필터가 있습니다. Android 기기에서 수행 한 작업에서 비롯된 것입니다.
일반적인 칼만 필터 이론은 공분산 행렬로 표시되는 추정치의 정확도와 함께 벡터에 대한 추정치에 관한 것입니다. 그러나 Android 기기의 위치를 추정하기 위해 일반적인 이론은 매우 간단한 경우로 줄어 듭니다. Android 위치 제공 업체는 위치를 위도와 경도로 미터 단위로 측정 한 단일 숫자로 지정된 정확도와 함께 제공합니다. 즉, 칼만 필터의 위치가 두 개의 숫자로 측정 되더라도 공분산 행렬 대신 칼만 필터의 정확도를 단일 숫자로 측정 할 수 있습니다. 또한 위도, 경도 및 미터가 서로 다른 모든 단위라는 사실은 무시할 수 있습니다. 스케일링 계수를 Kalman 필터에 넣어 모두 동일한 단위로 변환하면,
코드는 현재 위치의 최고 추정치가 마지막으로 알려진 위치라고 가정하기 때문에 개선 될 수 있으며, 누군가가 이동하는 경우 Android 센서를 사용하여 더 나은 추정치를 생성 할 수 있어야합니다. 이 코드에는 초당 미터 단위로 표현되는 단일 자유 매개 변수 Q가 있으며, 새로운 위치 추정치가 없을 때 정확도가 얼마나 빨리 저하되는지를 설명합니다. Q 파라미터가 높을수록 정확도가 더 빨리 감쇠합니다. 칼만 필터는 일반적으로 정확도가 예상보다 약간 빨리 쇠퇴 할 때 더 잘 작동하므로 Android 전화로 걸을 때 일반적으로 그 속도보다 느리게 걷는 경우에도 초당 Q = 3 미터가 잘 작동한다는 것을 알았습니다. 그러나 빠른 자동차로 여행하는 경우 훨씬 더 많은 수를 사용해야합니다.
public class KalmanLatLong {
private final float MinAccuracy = 1;
private float Q_metres_per_second;
private long TimeStamp_milliseconds;
private double lat;
private double lng;
private float variance; // P matrix. Negative means object uninitialised. NB: units irrelevant, as long as same units used throughout
public KalmanLatLong(float Q_metres_per_second) { this.Q_metres_per_second = Q_metres_per_second; variance = -1; }
public long get_TimeStamp() { return TimeStamp_milliseconds; }
public double get_lat() { return lat; }
public double get_lng() { return lng; }
public float get_accuracy() { return (float)Math.sqrt(variance); }
public void SetState(double lat, double lng, float accuracy, long TimeStamp_milliseconds) {
this.lat=lat; this.lng=lng; variance = accuracy * accuracy; this.TimeStamp_milliseconds=TimeStamp_milliseconds;
}
/// <summary>
/// Kalman filter processing for lattitude and longitude
/// </summary>
/// <param name="lat_measurement_degrees">new measurement of lattidude</param>
/// <param name="lng_measurement">new measurement of longitude</param>
/// <param name="accuracy">measurement of 1 standard deviation error in metres</param>
/// <param name="TimeStamp_milliseconds">time of measurement</param>
/// <returns>new state</returns>
public void Process(double lat_measurement, double lng_measurement, float accuracy, long TimeStamp_milliseconds) {
if (accuracy < MinAccuracy) accuracy = MinAccuracy;
if (variance < 0) {
// if variance < 0, object is unitialised, so initialise with current values
this.TimeStamp_milliseconds = TimeStamp_milliseconds;
lat=lat_measurement; lng = lng_measurement; variance = accuracy*accuracy;
} else {
// else apply Kalman filter methodology
long TimeInc_milliseconds = TimeStamp_milliseconds - this.TimeStamp_milliseconds;
if (TimeInc_milliseconds > 0) {
// time has moved on, so the uncertainty in the current position increases
variance += TimeInc_milliseconds * Q_metres_per_second * Q_metres_per_second / 1000;
this.TimeStamp_milliseconds = TimeStamp_milliseconds;
// TO DO: USE VELOCITY INFORMATION HERE TO GET A BETTER ESTIMATE OF CURRENT POSITION
}
// Kalman gain matrix K = Covarariance * Inverse(Covariance + MeasurementVariance)
// NB: because K is dimensionless, it doesn't matter that variance has different units to lat and lng
float K = variance / (variance + accuracy * accuracy);
// apply K
lat += K * (lat_measurement - lat);
lng += K * (lng_measurement - lng);
// new Covarariance matrix is (IdentityMatrix - K) * Covarariance
variance = (1 - K) * variance;
}
}
}