卡尔曼滤波器已通过已知路径进行校正

Question

我正在尝试从跟踪车辆的嘈杂位置数据中获取滤波的速度/空间数据。我有一组嘈杂的位置/时间data = (x_i,y_i,t_i)以及车辆行驶的已知曲线curve = (x(s),y(s)),，其中s是沿曲线的总距离。我可以在data,上运行卡尔曼滤波器，但我不知道如何将它约束到“道路”而不丢弃距离道路太远的数据，这是我不想做的。

或者，我正在尝试使用s和x

中有噪音的位置数据估算约束路径中y的值

有没有人知道如何合并两种类型的数据？

谢谢！

Answer 1

您了解卡尔曼滤波器的作用吗？从根本上说，它给出了只有可观察量的每个可能状态的概率。在简单的情况下，这不使用先验知识。但在您的情况下，您可以简单地将越野估计设置为零并重新归一化剩余概率。

注意：这不会抛弃远离路面的 observables ，甚至不会丢弃太远的结果。这意味着明显的越野位置会大大增加结果的可能性，但接近道路的边缘。

如果您希望模型允许远离道路的小型游览，您可以使用快速衰减功能来模拟汽车离开道路的低但非零的概率。

Answer 2

你可以将路径上的距离s和s的变化率作为状态。位置观测值X和Y将是状态的非线性函数（假设您的轨迹不是直线），因此您需要使用扩展或无味滤波器。