칼만 필터 연결

우리 팀은 실외 환경에서 자율적으로 탐색 할 수있는 로봇을 만들고 있습니다. 우리는 최근에 확장 된 칼만 필터링 온칩을 수행하는 새로운 통합 IMU / GPS 센서를 얻었습니다. 피치, 롤 및 요, 북쪽, 동쪽 및 아래쪽 속도, 위도 및 경도를 제공합니다.

그러나 우리는 또한 선형 및 각속도를 제공하는 일부 인코더를 휠에 부착했습니다. 이 새로운 IMU / GPS 센서를 받기 전에 엔코더와 다른 저비용 센서를 사용하여 상태를 추정하기 위해 자체 EKF를 만들었습니다. 우리는이 새로운 센서의 온칩 필터를 사용하고 싶지만 인코더를 믹스에 통합하고 있습니다.

필터 체인에 문제가 있습니까? 즉, 인코더에서 읽은 데이터를 EKF의 업데이트로 사용하는 것과 마찬가지로 IMU / GPS 센서의 온칩 EKF 출력을 자체 EKF의 업데이트로 사용합니다. 나에게는 합리적 인 것처럼 보이지만이 경우 일반적으로 수행해야 할 작업이 궁금합니다.

INS / GPS를 첫 번째 EKF 출력에 대한 업데이트로 사용할 수 있습니다. 실제로 이것은 체인이 아니라 INS / GPS의 추가 정보를 기반으로 추정치를 조정하는 것입니다.

다음과 같은 기능이 있다고 가정하십시오.

$x_{t+1|t}$ , = EKF_PREDICT은 ( , , ) 상태 등의 입력을위한 , 공분산 및 제어 입력 (오도 추정) .$P_{t+1|t}$$x_t$$P_t$$u_t$$x$$P$$u_t$

과

$x_{t+1|t+1}$ , = EKF_UPDATE ( , , ). $P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}$

센서의 추정치는 입니다. 우리는 다음과 같은 것들을 가지고 있습니다 :$\hat{x}_{t+1}$

$\hat{x}^{gps}_{t+1} = f(GPS)$

$\hat{x}^{map}_{t+1} = f(map)$

$\hat{x}^{ins}_{t+1} = f(INS)$

로봇의 상태를 추정하는 다른 모든 방법 등. 따라서 이러한 모든 센서에 대해 EKF_UPDATE 기능을 실행하면 충분합니다.

루프는 다음과 같습니다.

모든 시간$t$

• 하자 포즈의 현재의 오도 / 학적 평가, 그리고 그 추정의 노이즈가.$u_t$$R_u$

• $x_{t+1|t}$ , = EKF_PREDICT ( , , , )$P_{t+1|t}$$x_t$$P_t$$u_t$$R_u$

• 모든 센서 에 대해$S$

  • 하자 그 센서로부터의 자세의 추정, 그리고 그 추정에 대한 잡음이 될$\hat{x}^{S}_{t+1}$$R_{S}$

  • $x_{t+1|t+1}$ , = EKF_UPDATE ( , , ). $P_{t+1|t+1}$$x_{t+1|t}$$P_{t+1|t}$$\hat{x}_{t+1}, R_S$

  • 끝까지

• 끝까지

몇 가지주의 사항은 다음과 같습니다.

• EKF를 사용하고 있으므로 추정치가 업데이트 순서와 무관하다는 보장은 없습니다. 즉, INS와 GPS를 수행하면 GPS와 INS로 업데이트 할 때와 예상 결과가 다를 수 있습니다. 이것은 일반적으로 큰 문제는 아니지만 필터를 크게 조정해야합니다.

• INS에는 바이어스와 드리프트가 있으므로 장기적인 안정성에 영향을 줄 수 있습니다. GPS는 여기 에서 많은 도움을 줄 수 있습니다. 대부분의 문헌은 동시에 INS의 바이어스와 드리프트를 추정합니다.