काल्मन फ़िल्टर बनाम घातीय फ़िल्टर

Question

मैं सोच रहा था, के फायदे और नुकसान क्या हैं कलमैन फ़िल्टर और घातीय फ़िल्टर? मेरे पास एक बहु सेंसर संलयन समस्या है और मैं यह तय करने की कोशिश कर रहा हूं कि कौन सी विधि चुननी है।

मुझे लगता है कि, कलमैन फ़िल्टर अधिक कम्प्यूटेशनल रूप से जटिल है लेकिन इसमें सिस्टम का एक और विस्तृत मॉडल है, इसलिए यह बहु-सेंसर संलयन में अधिक सटीक (?) है।

जबकि एक्सपोनेंशियल फ़िल्टर एक साधारण समीकरण है, लेकिन यह अल्फा (उच्च अल्फा => कम "स्मृति" की पसंद से सीमित है और इस प्रकार कम चिकनाई है, लेकिन माप पर अधिक भारित है जबकि निचले अल्फा में उच्च डिग्री है चौरसाई लेकिन अचानक बदलाव ठीक से परिलक्षित होते हैं नहीं।

घातीय फिल्टर शोर रद्द करने में अधिक उपयोगी है, जब वहाँ घबराना है आदि जबकि Kalman फिल्टर वास्तविक बहु सेंसर फ़्यूज़न लिए उपयोगी है। यह सही है?

इसके अलावा, सेंसर संलयन के लिए जेनेटिक एल्गोरिदम कितना उपयोगी है? मैं सही अभिविन्यास का अनुमान लगाने के लिए एक चुंबकीय कंपास और जीरोस्कोप को गठबंधन करने की कोशिश कर रहा हूं।

धन्यवाद!

Answer 1

"फायदे और Kalman फिल्टर और घातीय फ़िल्टर का नुकसान क्या हैं? मुझे लगता है, Kalman फिल्टर अधिक computationally जटिल है, लेकिन यह प्रणाली के एक अधिक विस्तृत मॉडल है तो यह (?) और अधिक सटीक बहु में है सेंसर संलयन। "

मूल रूप से यह सामान्य रूप से आपके मॉडल को जितना बेहतर होगा उतना ही बेहतर होगा कि आपका फ़िल्टर बेहतर होगा, भले ही आप कलमैन फ़िल्टर का उपयोग कर रहे हों।

"घातीय फिल्टर जब वहाँ घबराना आदि जबकि Kalman फिल्टर वास्तविक बहु सेंसर फ़्यूज़न के लिए उपयोगी है, शोर रद्द करने में अधिक उपयोगी है। यह सही है?"

मैं इस कथन से असहमत हूं। शलम रद्दीकरण के बारे में कलमैन फ़िल्टर स्मार्ट है। यह कम पास फ़िल्टर से बहुत अधिक स्मार्ट हो सकता है क्योंकि यह कॉन्वर्सिस मैट्रिक्स में संग्रहीत सभी जानकारी का पूर्ण लाभ लेता है। यदि आप जिस प्रदर्शन उपाय को देख रहे हैं वह है "फ़िल्टर किए गए मान को वास्तविक मूल्य से कितनी बारीकी से मेल खाता है?" मुझे लगता है कि सबसे अच्छा एक सरल कम पास फ़िल्टर ऐसा करने की उम्मीद कर सकता है जो इसके प्रदर्शन से मेल खाता है, और यह केवल random walk के सबसे सरल मामले में है। जैसे ही आपके पास एक दिलचस्प राज्य-संक्रमण मैट्रिक्स है, मुझे लगता है कि कम पास फ़िल्टर के पास कोई मौका नहीं है, क्योंकि यह नहीं देख सकता कि वेग अनिश्चितता स्थिति अनिश्चितता में कैसे ली जाती है, उदाहरण के लिए।

"मैं सही अभिविन्यास का अनुमान लगाने के लिए एक चुंबकीय कंपास और जीरोस्कोप को गठबंधन करने की कोशिश कर रहा हूं।"

यह वास्तव में एक प्रकार का काम है जिसे कलमैन फ़िल्टर के लिए डिज़ाइन किया गया है।

लेकिन अगर आप एक Kalman फिल्टर लागू करने की जटिलता के बारे में चिंतित हैं, कम पास फिल्टर संस्करण को लागू करने से शुरू:

1) एक सरल अनुकरण

predictedAngle = oldAngle+rotationRate*dt 

2) अद्यतन के साथ शुरू करो सिमुलेशन राज्य अपने माप

rotationRate = alpha1*rotationRate +(1-alpha1)*gyro.rotationRate 
    filteredAngle = alpha2*predictedAngle+(1-alpha2)*compass.angle 

के आधार पर मूल रूप से kalman इस प्रणाली के लिए (सरल) फिल्टर के लिए रूपरेखा है कि।

• मैट्रिक्स प्रारूप
• प्रक्रिया जोड़ें "शोर" में सब कुछ लिखें सिमुलेशन कदम
• दौरान एक कदम के बजाय के लिए निर्धारित मूल्यों का उपयोग करने का "इष्टतम kalman लाभ" की गणना में जोड़ें: सभी जिसकी कमी है करने के लिए है alpha का
• update the filter's covariance पर एक चरण जोड़ें।

"इसके अलावा, कैसे उपयोगी सेंसर फ़्यूज़न के लिए आनुवंशिक एल्गोरिथ्म है?"

मुझे नहीं पता कि वे कहां फिट होंगे। क्या आप विस्तृत कर सकते हैं?

Answer 2

घातीय फिल्टर Kalman फिल्टर का एक विशेष मामला है कि तुच्छ (स्थिर) गतिशीलता के साथ

1. सिस्टम को ध्यान प्रतिबंधित करता है, और
2. (संयंत्र + माप) शोर करने के लिए संयंत्र का एक निश्चित अनुपात (है यह अल्फा पैरामीटर निर्धारित करता है)।

इस प्रकार, जिन मामलों में ये धारणाएं लागू होती हैं, वे बराबर हैं। अन्य मामलों में, आप कलमान फ़िल्टर का उपयोग करके बेहतर परिणाम प्राप्त कर सकते हैं (यदि आप उचित रूप से सिस्टम को मॉडल करते हैं)।

अन्य मुख्य निर्णय यह है कि क्या आप राज्य की जगह में वेग शामिल करते हैं; यदि आप करते हैं, तो कलमैन फ़िल्टर जाने का रास्ता है।