我很感兴趣，卡尔曼滤波器中的传感器融合设置中的双输入是如何建模的？
比如假设你有一个加速度计和一个陀螺仪，想要呈现“地平线”，就像在飞机上一样，这里有一个很好的演示。
你如何实际收获两个传感器的正面特性并最大限度地减少负面影响？
这是在观察模型矩阵中建模的吗（通常用大写字母H表示）？
备注：此问题在math.stackexchange.com
时也没有任何答案答案 0 :(得分：19)
通常，传感器融合问题来自贝叶斯定理。实际上，您的估计值（在这种情况下是地平线水平）将是传感器的加权和，这是传感器模型的特征。对于双传感器，您有两种常见的选择：建模双传感器系统并为每个传感器导出卡尔曼增益（使用系统模型作为预测器），或使用不同的观测模型运行两个校正阶段。您应该看一下贝叶斯预测器（比卡尔曼滤波器更通用），它精确地来自于给定两个不同信息源的估计方差。如果你有一个加权和，并最小化总和的方差，对于两个传感器，那么你得到卡尔曼增益。
可以在滤波器的两个部分中“看到”传感器的属性。首先，您有观察的误差矩阵。这是表示传感器观测中的噪声的矩阵（假设为零平均高斯噪声，这不是一个太大的假设，因为在校准期间，您可以实现零平均噪声）。
另一个重要的矩阵是观察协方差矩阵。该矩阵可让您深入了解传感器为您提供信息的好处（信息意味着“新”并且不依赖于其他传感器读数）。
关于“收获好的特性”，您应该做的是对传感器进行良好的校准和噪声表征（是否拼写好？）。使卡尔曼滤波器收敛的最佳方法是为传感器提供良好的噪声模型，这是100％实验性的。尝试确定系统的方差（不要总是信任数据表）。
希望有所帮助。
答案 1 :(得分：2)
陀螺仪测量角度变化率（例如以弧度/秒为单位），而从加速度计读数，您可以计算角度本身。以下是组合这些测量的简单方法：
收到的每一个陀螺读数：
angle_radians+=gyro_reading_radians_per_sec * seconds_since_last_gyro_reading
收到的每个加速计读数：
angle_radians+=0.02 * (angle_radians_from_accelerometer - angle_radians)
0.02常数用于调整 - 它选择噪声抑制和响应之间的权衡（你不能同时拥有两者）。它还取决于两个传感器的准确度，以及接收新读数的时间间隔。
这两行代码实现了一个简单的1维（标量）卡尔曼滤波器。它假设
如您所见，这种方法已经简化。如果不满足上述假设，您应该学习一些卡尔曼滤波器理论，并相应地修改代码。
答案 2 :(得分：0)
水平线是G'*（u，v，f）= 0，其中G是重力矢量，u和v图像居中坐标和f焦距。现在传感器的优点和缺点：陀螺仪超快速且准确但漂移，加速度计不太准确，但（如果校准）具有零偏差且不漂移（除重力外没有加速度）。它们测量不同的东西 - 加速度计测量加速度，从而测量相对于重力矢量的方向，而陀螺仪测量旋转速度，从而测量方向的变化。要将其转换为方向，必须对其值进行整合（幸运的是，它可以以高fps（如100-200）进行采样）。因此，假定为线性的卡尔曼滤波器不适用于陀螺仪。现在我们可以简单地将传感器融合简化为读数和预测的加权和。
您可以使用与数据方差成反比的权重组合两个读数 - 加速度计和集成陀螺仪以及模型预测。您还必须偶尔使用指南针，因为加速度计并没有告诉您太多关于方位角的信息，但我猜这与计算水平线无关。该系统应具有响应性和准确性，并且为此目的，当方向快速变化时，陀螺仪的重量应该很大;当系统稳定下来并且旋转停止时，加速度计的重量将会增加，从而允许更多地集成零偏差读数并消除陀螺仪的漂移。