Sensora saplūšanas algoritms

Kalmana filtrs

Kalmana filtrs ir tipisks.

Algoritma kodols ir katra sensora "ticības" faktoru kopums. Katrā brīdī statistikas statistikas uzlabošanai tiks izmantoti sensora dati no pēdējā brīža, lai uzlabotu minējumu (pašpārvaldes), un sensora kvalitāte tiks vērtēta arī. Salīdzinot prognozēto vērtību un sensora izmērīto vērtību, tiks aprēķināta lieliska vērtība un izvade.

Tas nozīmē, ka, ja sensors vienmēr piešķir labu un konsekventu vērtību un sāk stāstīt jums kaut ko maz ticamu, sensora uzticamības līmenis samazināsies dažās milisekundēs, līdz tam atkal būs jēga.

Tas ir labāk nekā vienkārša vidējā vērtība vai balsošana, jo Kalmana filtrs var tikt galā ar situāciju, ka vairums sensoru uz laiku nav kārtībā. Kamēr var saglabāt labu iemeslu, tas var padarīt robotu caur tumšo brīdi.

Kalmana filtrs ir vispārīgākas Markova ķēdes un Bajesijas spriešanas jēdzienu piemērošana, kas ir matemātiska sistēma, kas iteratīvi uzlabo viņu minējumus, izmantojot pierādījumus. Šie rīki ir rīki, ko izmanto, lai palīdzētu pašai zinātnei pārbaudīt idejas (kas ir arī pamats tam, ko mēs saucam par “statistisko nozīmīgumu”).

Tāpēc poētiski var teikt, ka dažas sensoru saplūšanas sistēmas pauž zinātnes būtību ar ātrumu 1000 reizes sekundē.

Kalmana filtri gadu desmitiem ilgi tiek izmantoti kosmosa satelītu orbitālajās stacijās. Tā kā mūsdienu mikrokontrolleri reālā laikā var palaist algoritmu, tie kļūst arvien populārāki robotikā.