从GPS数据导出卡尔曼过程模型

Question

这个问题可能早些时候已经解决，但我找不到。我想实施卡尔曼滤波器来纠正GPS数据。要实现卡尔曼滤波器，我需要创建过程模型和测量模型。对于过程模型，我使用运动方程s = ut + 1/2at^2和v = u + at得出了这个等式。

流程模型

[Lat(t)]         [1 1 0 0]  [Lat]                [ProcessNoise]
[d(Lat)(t)]  =   [0 1 0 0]  [d(Lat)]     +       [ProcessNoise]
[Lon(t)]         [0 0 1 1]  [Lon]                [ProcessNoise]
[d(Lon)(t)]      [0 0 0 1]  [d(Lon)]             [ProcessNoise]

请注意d（Lat）和d（Lon）分别是纬度和经度的变化率。并且时间段为1.由于我没有得到任何控制输入，因此卡尔曼方程的一部分被丢弃。

我正在阅读一个包含Lat，Lon，Velocity，Course，Ldop，Vdop，pDop值的gpx文件。我有两个问题。

1. 我可以用课程值推导出d（Lat）和d（Lon）吗？ 精确？
2. 我应该在过程噪声矩阵中使用什么值？

Answer 1

不，所有gps属性都已经过卡尔曼滤波（在芯片中）。 航向和速度不依赖于位置（纬度，经度）变化。速度通过物理多普勒频移效应计算。有传言说课程计算也使用多普勒频移效应。

你可以在应用额外的卡尔曼滤波器时平滑gps数据，但它们不会得到更多的准确度。