এখানে একটি সাধারণ কালমন ফিল্টার যা ঠিক এই পরিস্থিতির জন্য ব্যবহার করা যেতে পারে। এটি অ্যান্ড্রয়েড ডিভাইসে করা কিছু কাজ থেকে এসেছিল।
জেনারেল কালম্যান ফিল্টার তত্ত্বটি ভেক্টরদের জন্য অনুমানগুলির সাথে সম্পর্কিত যা কোভেরিয়েন্স ম্যাট্রিক্স দ্বারা উপস্থাপিত অনুমানগুলির যথার্থতা সহ। তবে অ্যান্ড্রয়েড ডিভাইসে অবস্থান নির্ধারণের জন্য সাধারণ তত্ত্বটি খুব সাধারণ ক্ষেত্রে হ্রাস করে। অ্যান্ড্রয়েড অবস্থান সরবরাহকারীগণ মিটারে পরিমাপক একক সংখ্যা হিসাবে সুনির্দিষ্টভাবে নির্ভুলতার সাথে অবস্থানটি অক্ষাংশ এবং দ্রাঘিমাংশ হিসাবে দেন। এর অর্থ এই যে কোনও কোভেরিয়েন্স ম্যাট্রিক্সের পরিবর্তে কলম্যান ফিল্টারটিতে নির্ভুলতা একটি একক সংখ্যা দ্বারা পরিমাপ করা যেতে পারে, যদিও কলম্যান ফিল্টারটিতে অবস্থানটি দুটি সংখ্যার দ্বারা পরিমাপ করা হয়। এছাড়াও অক্ষাংশ, দ্রাঘিমাংশ এবং মিটারগুলি কার্যকরভাবে সমস্ত ভিন্ন ইউনিটকে উপেক্ষা করা যেতে পারে, কারণ আপনি যদি কলম ফিল্টারগুলিতে স্কেলিং ফ্যাক্টরগুলি সমস্ত ইউনিটগুলিতে রূপান্তরিত করেন তবে,
কোডটি উন্নত হতে পারে, কারণ এটি ধরে নিয়েছে যে বর্তমান অবস্থানের সর্বোত্তম অনুমানটি হ'ল সর্বশেষ পরিচিত অবস্থান, এবং যদি কেউ চলমান হয় তবে আরও ভাল অনুমানের জন্য অ্যান্ড্রয়েডের সেন্সর ব্যবহার করা সম্ভব হবে possible কোডটিতে একটি একক ফ্রি প্যারামিটার কি রয়েছে, যা প্রতি সেকেন্ডে মিটারে প্রকাশ করা হয়, যা কোনও নতুন অবস্থানের অনুমানের অভাবে নির্ভুলতা কত দ্রুত কমে যায় তা বর্ণনা করে। উচ্চতর কিউ প্যারামিটারের অর্থ হ'ল যথার্থতা দ্রুত ক্ষয় হয়। কলম্যান ফিল্টারগুলি সাধারণত যখন আরও ভালভাবে প্রত্যাশার চেয়ে দ্রুত গতিতে থাকে তখন আরও ভাল কাজ করে, তাই অ্যান্ড্রয়েড ফোন নিয়ে ঘুরে দেখার জন্য আমি দেখতে পাই যে প্রতি সেকেন্ডে কিউ = 3 মিটার ভাল কাজ করে, যদিও আমি সাধারণত তার চেয়ে ধীর গতিতে হাঁটা করি। তবে যদি দ্রুত গাড়ীটিতে ভ্রমণ করা হয় তবে আরও বড় সংখ্যক অবশ্যই ব্যবহার করা উচিত।
public class KalmanLatLong {
private final float MinAccuracy = 1;
private float Q_metres_per_second;
private long TimeStamp_milliseconds;
private double lat;
private double lng;
private float variance; // P matrix. Negative means object uninitialised. NB: units irrelevant, as long as same units used throughout
public KalmanLatLong(float Q_metres_per_second) { this.Q_metres_per_second = Q_metres_per_second; variance = -1; }
public long get_TimeStamp() { return TimeStamp_milliseconds; }
public double get_lat() { return lat; }
public double get_lng() { return lng; }
public float get_accuracy() { return (float)Math.sqrt(variance); }
public void SetState(double lat, double lng, float accuracy, long TimeStamp_milliseconds) {
this.lat=lat; this.lng=lng; variance = accuracy * accuracy; this.TimeStamp_milliseconds=TimeStamp_milliseconds;
}
/// <summary>
/// Kalman filter processing for lattitude and longitude
/// </summary>
/// <param name="lat_measurement_degrees">new measurement of lattidude</param>
/// <param name="lng_measurement">new measurement of longitude</param>
/// <param name="accuracy">measurement of 1 standard deviation error in metres</param>
/// <param name="TimeStamp_milliseconds">time of measurement</param>
/// <returns>new state</returns>
public void Process(double lat_measurement, double lng_measurement, float accuracy, long TimeStamp_milliseconds) {
if (accuracy < MinAccuracy) accuracy = MinAccuracy;
if (variance < 0) {
// if variance < 0, object is unitialised, so initialise with current values
this.TimeStamp_milliseconds = TimeStamp_milliseconds;
lat=lat_measurement; lng = lng_measurement; variance = accuracy*accuracy;
} else {
// else apply Kalman filter methodology
long TimeInc_milliseconds = TimeStamp_milliseconds - this.TimeStamp_milliseconds;
if (TimeInc_milliseconds > 0) {
// time has moved on, so the uncertainty in the current position increases
variance += TimeInc_milliseconds * Q_metres_per_second * Q_metres_per_second / 1000;
this.TimeStamp_milliseconds = TimeStamp_milliseconds;
// TO DO: USE VELOCITY INFORMATION HERE TO GET A BETTER ESTIMATE OF CURRENT POSITION
}
// Kalman gain matrix K = Covarariance * Inverse(Covariance + MeasurementVariance)
// NB: because K is dimensionless, it doesn't matter that variance has different units to lat and lng
float K = variance / (variance + accuracy * accuracy);
// apply K
lat += K * (lat_measurement - lat);
lng += K * (lng_measurement - lng);
// new Covarariance matrix is (IdentityMatrix - K) * Covarariance
variance = (1 - K) * variance;
}
}
}