Kalman 필터는 노이즈 센서 데이터에 기반한 이동 객체의 상태를 추정하기 위해 항해 체계에서 널리 사용됩니다. Proper 구현은 정확한 결과를 위해 중요합니다. 그러나 몇 가지 일반적인 pitfalls는 필터의 성능에 영향을 미칠 수 있습니다. 이러한 문제를 인식하고 그(것)들을 해결하는 방법을 알고는 항법 정확도와 신뢰성을 향상시킬 수 있습니다.

Kalman Filter 구현의 일반적인 Pitfalls

필터의 상태와 covariance 매트릭스의 초기화는 한 가지 빈번한 실수입니다. Poor 초기 추정치는 필터의 느린 융합 또는 분기로 이어질 수 있습니다. 시스템에 대한 사전 지식 또는 합리적인 가정을 기반으로 이러한 값을 설정하는 것이 중요합니다.

취급 감지기 소음 및 모형 Uncertainty

센서 소음과 공정 소음을 정확하게 모델링하는 것은 필수적입니다. 소음 수준을 낮추는 것은 과실화 될 수 있으며 과실화 반응을 유발할 수 있습니다. 센서 특성에 따라 소음이 다양한 매트를 정기적으로 조정하는 것은 최적의 성능을 유지할 수 있습니다.

비선형과의 거래

표준 Kalman 필터는 선형 시스템 동적을 가정합니다. 비선형 시스템과 처리 할 때, 확장 된 Kalman 필터 (EKF) 또는 Unscented Kalman 필터 (UKF)가 필요합니다. 이렇게하려면 inaccurate 상태 추정치에서 발생할 수 있습니다.

Numerical 안정성 확보

매트릭스의 변환 오류와 같은 수치는 불안정성을 일으킬 수 있습니다. 공동 변수 업데이트에 대한 Cholesky decomposition와 같은 수련 알고리즘을 사용하여 이러한 문제를 완화 할 수 있습니다. 일반적으로 covariance matrices의 긍정적 인 definiteness를 검사하는 것이 좋습니다.

Best Practices의 개요

  • 주의깊게 상태와 covariance 모듬을 초기화합니다.
  • 정확하게 모델 센서 및 공정 소음.
  • 복잡한 시스템의 비선형 필터를 사용합니다.
  • numerically 안정적인 알고리즘을 구현합니다.
  • 시스템 성능에 따라 정기적으로 조정 필터 매개 변수.