وسایل نقلیه مستقل به سیستم های ناوبری دقیق برای کار با خیال راحت و کارآمد متکی هستند. سیستم های ناوبری بی سابقه (INS) اجزای حیاتی هستند که موقعیت و سرعت خودرو را بدون سیگنال های خارجی تخمین می زنند، با این حال، INS می تواند خطاهایی را در طول زمان انباشته کند، که بر دقت تاثیر می گذارد.

پایه های فیلتر Kalman

فیلتر Kalman یک الگوریتم است که وضعیت یک سیستم پویا را از اندازه گیری های پر سر و صدا برآورد می کند.این ترکیب پیش بینی از یک مدل ریاضی با داده های سنسور واقعی برای تولید برآورد های بهینه است.این فرایند شامل دو گام اصلی است: پیش بینی و به روز رسانی فیلتر به طور مداوم محاسبات خود را به عنوان داده های جدید در دسترس می کند، و آن را برای برنامه های زمان واقعی مانند ناوبری خودرو مناسب می کند.

درخواست در Inertial Navigation

در ناوبری بی سابقه، فیلترهای Kalman داده ها را از شتاب سنج ها و ژیروسکوپ ها برای برآورد موقعیت و سرعت ادغام می کنند، آنها حرکت سنسور و سر و صدا را تصحیح می کنند که مسائل رایج در سنسورهای بی نظیر هستند.با استفاده از داده های بی سابقه با منابع دیگر مانند GPS یا لنر، فیلتر ناوبری دقیق را حتی در محیط های چالش برانگیز که سیگنال های خارجی ممکن است ضعیف یا در دسترس نباشد، حفظ می کند.

مزایای فیلتر کردن Kalman

  • [در این باره] کاهش یافته است: [[۱] [۱۰] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱]] [۵] [۵] [۵] [۵] [۵] [۵]] [۵] [۵] [۱] [۳] [۱] [۱] [۵] [۵] [۱] [۵] [۵] [۳] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۵] [۵] [۱] [۵] [۱] [۱] [۳] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۱] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [
  • [در این باره] [و] اصلاحی [از سوی دیگر]: [[[۱]] [۱۰] [۱]] برای سنسور در طول زمان، تکمیل می شود.
  • [[۱] [۱۰] پردازش زمان واقعی: [[۱۰] [۱۰] [۱]] مناسب برای به روز رسانی های ناوبری مداوم.
  • همجوشی: منابع داده متعدد را برای دقت بهبود می بخشد.