智能汽车如何眼观六路、耳听八方?传感器融合与卡尔曼滤波技术(56)

作者: admin 分类: 科学 发布时间: 2021-09-06 15:22

        现在我们得到两个不同的信息,我们如何把它融合到一块儿呢?唉,这卡尔曼就说了,经过数学计算,你有一个最优的估计最优估计。啊,最优的估计是什么呢?那就是啊就有一个公式,这公式告诉我们你最优估计的位置等于什么呢?等于西格玛二的平方除以西格玛一的平方加西格玛尔的平方。然后再乘以一个Z1,加上西格玛一的平方,除以西格玛一的平方加西格玛二的平方,再乘以Z2。同学说什么乱七八糟的啊,其实这个问题并不是难理解的啊,咱们仔细看。Z1和Z2是你告是两个传感器告诉我们的位置,对不对?我们最后估计的位置一定是要把它融合到一块儿,得出一个结论。

        但是谁更准确,我就更相信谁。你看这两个图像,你就应该知道。这个西格马二更小一些,说明Z2这个信息更加准确。所以我在计算权重的时候,我应该让Z2的这个权重更大一些。我怎么才能让这样的权重更大一些呢?我让他前面的权重是西格马一方除以西格马一方加C。这个mark你西格马也比较大,所以这个权重就大,大家能明白吗?对不对?同样道理啊,你这个Z一它的标准差比较大,说明它不是那么的准确,所以它的权重就要小一些,然后。所以你可以简单的理解一下,这个其实啊就是把两个数据融合到一块儿,在融合的时候谁准确谁的权重就会大一些,是吧?同时呢我也可以知道新的这个这个标准差啊方差。

        西格玛的平方等于西格玛一的平方分之一,再加上西格马尔的平方分之一,这就是卡尔曼告诉我们的最优结论。你会发现呢这个新的这个标准差的平方啊,或者说方差它是比原来的两个方差。相差都要小的啊,所以最终我们会得出来一个新的估计情况,它是长这个样子。它首先它的均值是介于啊两个这个估计值之间的,而且它的方差比两个估计值都要小卉。或者说我们获得了一个更加准确的估计,对吧?那么假如这辆汽车还有其他传感器,比如说有什么速度计啊,加速度计,你还可以继续进行卡尔曼滤波吧,这样就会获得一个更加准确的结果了。我们刚才介绍的这个模型啊,其实是最简单的一个卡尔曼滤波模型。

        在实际的情况下呢,卡尔曼滤波不光是多维的,而且呢还是跟时间有关的。它是一个时序的那。

如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!