近似和插值GPS轨迹

Question

我有一系列gps值，每个值包含：timestamp, latitude, longitude, n_sats, gps_speed, gps_direction, ...（NMEA data的某个子集）。我不确定方向和速度值的质量。此外，我不能指望序列均匀间隔w.r.t.时间戳。我希望在均匀的时间步骤中获得平滑的轨迹。

我读过卡尔曼滤波器是这类任务的首选工具。确实如此吗？

我发现了一些用于Python的卡尔曼滤波器的实现：

• http://www.scipy.org/Cookbook/KalmanFiltering
• http://ascratchpad.blogspot.de/2010/03/kalman-filter-in-python.html

然而，这些似乎假设有规律间隔的数据，即迭代。 如何整合不规则间隔观测的支持？

我能想象的一件事是重复/调整预测步骤到基于时间的模型。你能为这个应用推荐这样的模型吗？是否需要考虑NMEA的速度值？

Answer 1

您还可以尝试使用运动学插值来查看结果是否符合您的预期。

以下是其中一种算法的Python实现：https://gist.github.com/talespaiva/128980e3608f9bc5083b

Answer 2

为了了解卡尔曼过滤器的可理解资源，我强烈推荐这个：https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python

关于不规则间隔观测的特定问题：请参阅上文参考文献中的第8章，以及标题＆＃34;非平稳过程＆＃34;。总而言之，您需要使用不同的状态转换函数并处理每次迭代的噪声协方差。这些是您在每次迭代时需要更改的唯一内容，因为它们是唯一依赖delta t的组件。