সেন্সরগুলি থেকে লিনিয়ার এবং কৌনিক ডেটা কীভাবে ফিউজ করা যায়

26

আমার দল এবং আমি একটি বহিরঙ্গন রোবট স্থাপন করছি যাতে এনকোডার রয়েছে, একটি বাণিজ্যিক-গ্রেডের আইএমইউ এবং জিপিএস সেন্সর। রোবোটটিতে একটি বেসিক ট্যাঙ্ক ড্রাইভ রয়েছে, তাই এনকোডাররা বাম এবং ডান চাকা থেকে পর্যাপ্ত পরিমাণে টিক সরবরাহ করে। আইএমইউ রোল, পিচ, ইয়াও এবং এক্স, ওয়াই ও জেডে রৈখিক ত্বরণ দেয়। আমরা পরে অন্যান্য আইএমইউ যুক্ত করতে পারতাম, যা রিডানডেন্সি দেয় তবে পাশাপাশি রোল, পিচ এবং ইয়াওয়ের কৌণিক হারও সরবরাহ করতে পারে। জিপিএস গ্লোবাল এক্স, ওয়াই এবং জেড স্থানাঙ্ক প্রকাশ করে।

রোবটের Xy অবস্থান জানা এবং শিরোনামটি রোবটকে স্থানীয়করণ এবং নেভিগেট করার জন্য তার পরিবেশ তৈরি করার জন্য দরকারী। মসৃণ আন্দোলনের সিদ্ধান্ত নেওয়ার জন্য রোবটের বেগও কার্যকর হতে পারে। এটি একটি স্থল-ভিত্তিক রোবট, সুতরাং আমরা z অক্ষের বিষয়ে খুব বেশি যত্ন করি না। রোবোটটিতে একটি লিডার সেন্সর এবং একটি ক্যামেরাও রয়েছে - সুতরাং রোল এবং পিচ আরও ভাল দিকনির্দেশের জন্য লিডার এবং ক্যামেরার ডেটা রূপান্তর করতে কার্যকর হবে।

আমি কীভাবে এই সমস্ত সংখ্যাকে একসাথে ফিউজ করব তা বোঝার চেষ্টা করছি যে সমস্ত সেন্সরের যথার্থতার জন্য অনুকূলভাবে সুবিধা নেয়। এখনই আমরা সহজ ট্রানজিশন ম্যাট্রিক্সের সাথে অনুমান তৈরি করতে একটি কলম্যান ফিল্টার ব্যবহার করছি [x, x-vel, x-accel, y, y-vel, y-accel]:

[[1, dt, .5*dt*dt, 0,  0,        0],
 [0,  1,       dt, 0,  0,        0],
 [0,  0,        1, 0,  0,        0],
 [0,  0,        0, 1, dt, .5*dt*dt],
 [0,  0,        0, 0,  1,       dt],
 [0,  0,        0, 0,  0,        1]]

ফিল্টারটি আইএমইউ দ্বারা সরবরাহিত ত্বকের ভিত্তিতে একচেটিয়াভাবে রাষ্ট্রের অনুমান করে। (আইএমইউ সেরা মানের নয়; এটি প্রায় 30 সেকেন্ডের মধ্যে এটি রোবটটি দেখায় (বিশ্রামে) এটির প্রাথমিক অবস্থান থেকে 20 মিটার উত্তরে প্রবাহিত হবে)) আমি কীভাবে রোল, পিচ এবং ইও ব্যবহার করব তা জানতে চাই আইএমইউ, এবং সম্ভাব্যভাবে রোল, পিচ এবং ইয়াও রেট, চাকার কাছ থেকে এনকোডার ডেটা এবং জিপিএস ডেটা রাষ্ট্রের অনুমানের উন্নতি করতে।

কিছুটা গণিত ব্যবহার করে আমরা দুটি এনকোডার ব্যবহার করে এক্স, ওয়াই এবং রোবোটের শিরোনাম সম্পর্কিত তথ্য, পাশাপাশি রৈখিক এবং কৌণিক বেগ তৈরি করতে পারি। এনকোডারগুলি খুব নির্ভুল, তবে তারা বাইরের ক্ষেত্রে পিছলে যাওয়ার জন্য সংবেদনশীল হতে পারে।

আমার কাছে মনে হয় যে এখানে দুটি পৃথক ডেটা সেট রয়েছে, যা ফিউজ করা কঠিন:

এক্স, এক্স-ওয়েল, এক্স-অ্যাকসেল, ওয়াই, ওয়াই-ওয়েল, ওয়াই-অ্যাকসিলের অনুমান
রোল, পিচ, ইয়াও, এবং রোল, পিচ এবং ইওয়ের হারের অনুমান

যদিও এই দুটি সেটের মধ্যে ক্রসওভার রয়েছে, কীভাবে এগুলিকে একসাথে রাখা যায় তা নিয়ে ভাবতে আমার সমস্যা হচ্ছে। উদাহরণস্বরূপ, যদি রোবটটি একটি ধ্রুবক গতিতে চলে যায়, তবে এর এক্স-ভেল এবং ওয়াই-ওয়েল দ্বারা নির্ধারিত রোবটের দিকটি তার ইওয়ের মতো হবে। যদিও, রোবটটি বিশ্রামে থাকলে, ইয়াও x এবং y বেগ দ্বারা সঠিকভাবে নির্ধারণ করা যায় না। এছাড়াও, এনকোডারগুলির দ্বারা সরবরাহিত ডেটা, কৌণিক গতিতে অনুবাদ করা, ইয়াও হারের জন্য একটি আপডেট হতে পারে ... তবে কীভাবে ইয়াও হারের কোনও আপডেট আরও ভাল অবস্থানিক অনুমান সরবরাহ করতে পারে?

সমস্ত 12 নম্বর একই ফিল্টারে রাখার অর্থ কী? বা এগুলি সাধারণত আলাদা রাখা হয়? এই ধরণের সমস্যাটি মোকাবেলার জন্য ইতিমধ্যে কি একটি উন্নততর উপায় আছে?

sensors kalman-filter sensor-fusion

— Robz
সূত্র

32

দুটি জিনিস.

যদি আপনি ম্যাপিংয়ের পরিকল্পনা করে থাকেন তবে আপনার একটি পূর্ণাঙ্গ যুগপত স্থানীয়করণ এবং ম্যাপিং (এসএলএম) আলগোরিদিম প্রয়োজন। দেখুন: যুগপত স্থানীয়করণ এবং ম্যাপিং (এসএলএম): প্রথম খণ্ডের প্রয়োজনীয় অ্যালগরিদম । এসএমএলএমে, রোবট রাজ্যটি অনুমান করা কেবলমাত্র অর্ধেক সমস্যা। কীভাবে এটি করা যায় তার চেয়ে বড় প্রশ্নের উত্তর এখানে দেওয়া যেতে পারে।
স্থানীয়করণ সম্পর্কিত (রোবোটের অবস্থা অনুমান করে), এটি কোনও কলম্যান ফিল্টারের কাজ নয়। থেকে রূপান্তরটি থেকে কারণে একটি রৈখিক ফাংশন নয় কৌণিক ত্বরণ এবং বেগ। সুতরাং আপনাকে এই কাজের জন্য অ-রৈখিক অনুমানকারী বিবেচনা করতে হবে। হ্যাঁ, এটি করার স্ট্যান্ডার্ড উপায় রয়েছে। হ্যাঁ, এগুলি সাহিত্যে পাওয়া যায়। হ্যাঁ, সাধারণত সমস্ত ইনপুট একই ফিল্টারে রাখা হয়। অবস্থান, বেগ, অভিমুখীকরণ এবং রোবটের কৌণিক বেগ আউটপুট হিসাবে ব্যবহৃত হয়। এবং হ্যাঁ, আমি এখানে তাদের সাধারণ থিমগুলির একটি সংক্ষিপ্ত ভূমিকা উপস্থাপন করব। প্রধান টেক-এভয়েসগুলি হ'ল $x(t)=[x,y,\dot{x},\dot{y},\theta,\dot{\theta}]$ $x(t+1)$
1. আপনার রাজ্যে গাইরো এবং আইএমইউ পক্ষপাত অন্তর্ভুক্ত করুন বা আপনার অনুমানগুলি বিভক্ত হবে
2. একটি বর্ধিত কালম্যান ফিল্টার (EKF) সাধারণত এই সমস্যার জন্য ব্যবহৃত হয়
3. বাস্তবায়নগুলি স্ক্র্যাচ থেকে নেওয়া যেতে পারে এবং সাধারণত "সন্ধান করা" হবে না।
4. স্থানীয়করণ এবং এসএলএম সমস্যার বেশিরভাগ ক্ষেত্রে ইমপ্লিমিটনগুলি বিদ্যমান, সুতরাং আপনার চেয়ে বেশি কাজ করবেন না। দেখুন: রোবট অপারেটিং সিস্টেম আরওএস

এখন, আপনার সিস্টেমের প্রসঙ্গে EKF ব্যাখ্যা করতে। আমাদের কাছে একটি আইএমইউ + গাইরো, জিপিএস এবং ওডোমেট্রি রয়েছে। উল্লেখিত রোবটটি একটি ডিফারেনশিয়াল ড্রাইভ drive ফিল্টারিংয়ের কাজটি হ'ল রোবটটির , নিয়ন্ত্রণের ইনপুটগুলি , এবং প্রতিটি সেন্সর, থেকে পরিমাপের বর্তমান পোজ প্রাক্কলন গ্রহণ করা এবং পরবর্তী সময়ে পদক্ষেপ । আমরা আইএমইউ পরিমাপগুলিকে , জিপিএস হ'ল , এবং , । ${\hat{x}_t}$ $u_t$ $z_t$ $\hat{x}_{t+1}$ $I_t$ $G_t$ $O_t$

আমি অনুমান আমরা যত রোবট জাহির আনুমানিক হিসাব আগ্রহী । আইএমইউ এবং গাইরোসের সমস্যা হ'ল বামন। ত্বরণগুলির মধ্যে একটি অ-স্টেশনারি পক্ষপাত রয়েছে যা আপনাকে অবশ্যই EKF এ অ্যাকাউন্ট করতে হবে। এটি (সাধারণত) আনুমানিক অবস্থায় পক্ষপাত রেখে putting এটি আপনাকে প্রতিটি সময় ধাপে সরাসরি পক্ষপাত অনুমান করতে দেয়। , বায়াসের ভেক্টরের জন্য । $x_t={x,y,\dot{x},\dot{y},\theta,\dot{\theta}}$ $x_t={x,y,\dot{x},\dot{y},\theta,\dot{\theta},b}$ $b$

আমি ধারনা করছি:

$O_t$ = দুটি দূরত্বের পরিমাপ যা ট্র্যাডগুলি কিছুটা ছোট সময় বৃদ্ধিতে ভ্রমণ করেছিল তার দূরত্বকে উপস্থাপন করে
$I_t$ তিন স্থিতিবিন্যাস পরিমাপ = এবং তিনটি accelleration পরিমাপ। ${\alpha, \beta, \theta}$ ${\ddot{x},\ddot{y},\ddot{z}}$
$G_t$ = গ্লোবাল ফ্রেমে রোবটের অবস্থান , । $^Gx_t,^Gy_t$

সাধারণত, নিয়ন্ত্রণের ফলাফলগুলি (প্রতিটি পদক্ষেপের জন্য পছন্দসই গতি) ফলাফলগুলি (রোবটের ভঙ্গিতে পরিবর্তন) মানচিত্র করা কঠিন। পরিবর্তে , এটা খুবই সাধারণ (দেখুন Thrun , Odometry প্রশ্ন ) নিয়ন্ত্রণের "RESULT" যেমন odometry ব্যবহার করতে। আপনি যখন ঘর্ষণ-বিহীন পৃষ্ঠের উপরে না থাকবেন তখন এই অনুমানটি ভালভাবে কাজ করে। আইএমইউ এবং জিপিএস স্লিপেজের জন্য সঠিক করতে সহায়তা করতে পারে, যেমনটি আমরা দেখব। $u$

সুতরাং প্রথম কাজটি বর্তমান অবস্থা থেকে পরবর্তী অবস্থার পূর্বাভাস দেওয়া: । ডিফারেনশিয়াল ড্রাইভ রোবটের ক্ষেত্রে, এই ভবিষ্যদ্বাণীটি সরাসরি সাহিত্য থেকে পাওয়া যেতে পারে ( চাকা মোবাইল রোবোটের কিনেমেটিক্সে দেখুন বা কোনও আধুনিক রোবোটিক্সের পাঠ্যপুস্তকের আরও সংক্ষিপ্ত চিকিত্সা দেখুন), বা এখানে প্রদর্শিত হিসাবে স্ক্র্যাচ থেকে নেওয়া: ওডোমেট্রি প্রশ্ন । $\hat{x}_{t+1} = f(\hat{x}_t,u_t)$

সুতরাং, আমরা এখন । এটি প্রচার বা পূর্বাভাসের পদক্ষেপ। আপনি কেবল প্রচার করে একটি রোবট পরিচালনা করতে পারেন । যদি মানগুলি সম্পূর্ণ নির্ভুল হয় তবে আপনার কখনই কোনও অনুমান পাওয়া যাবে না যা আপনার সত্যিকারের অবস্থার সাথে ঠিক সমান হয় না। এটি বাস্তবে কখনও ঘটে না। $\hat{x}_{t+1} = f(\hat{x}_t, O_t)$ $O_t$ $\hat{x}$

এটি কেবল পূর্ববর্তী প্রাক্কলন থেকে একটি পূর্বাভাসযুক্ত মান দেয় এবং সময়টির সাথে অনুমানের নির্ভুলতা কীভাবে অবনমিত হয় তা আমাদের জানায় না। সুতরাং, অনিশ্চয়তা প্রচারের জন্য আপনাকে অবশ্যই EKF সমীকরণগুলি ব্যবহার করতে হবে (যা গাউসিয়া শব্দ অনুমানের অধীনে বন্ধ আকারে অনিশ্চয়তা প্রচার করে), একটি কণা ফিল্টার (যা একটি নমুনা ভিত্তিক পদ্ধতির ব্যবহার করে) *, ইউকেএফ (যা পয়েন্ট-ওয়াইজ ব্যবহার করে) অনিশ্চয়তার সান্নিধ্য) বা অন্য অনেকগুলি রূপের মধ্যে একটি।

ইকেএফের ক্ষেত্রে আমরা নিম্নরূপে এগিয়ে চলি। যাক রোবট রাষ্ট্র কোভ্যারিয়েন্স ম্যাট্রিক্স হও। আমরা ফাংশন রৈখিকরণ একটি রৈখিক সিস্টেম প্রাপ্ত টেলর-সিরিজ সম্প্রসারণ ব্যবহার করে। কালম্যান ফিল্টার ব্যবহার করে একটি লিনিয়ার সিস্টেম সহজেই সমাধান করা যায়। সময়ে অনুমান কোভ্যারিয়েন্স ধরে হয় এবং odometry মধ্যে শব্দ অধিকৃত সহভেদাংক ম্যাট্রিক্স হিসাবে দেওয়া হয় (সাধারণত একটি তির্যক ম্যাট্রিক্স, মত ) । ফাংশনের যদি , আমরা প্রাপ্ত Jacobian এবং $P_t$ $f$ $t$ $P_t$ $U_t$ $2\times2$ $.1\times I_{2\times 2}$ $f$ $F_x=\frac{\partial f}{\partial x}$ $F_u=\frac{\partial f}{\partial u}$ , তারপর অনিশ্চয়তা হিসাবে প্রচার করুন,

{পি}_{টি + + 1} = {এফ}_{এক্স} * {পি}_{টি} * {এফ}_{এক্স}^{টি} + + {এফ}_{তোমার দর্শন লগ করা} * {ইউ}_{টি} * {এফ}_{তোমার দর্শন লগ করা}^{টি}

$P_{t+1}=F_x*P_t*F_x^T + F_u*U_t*F_u^T$

এখন আমরা অনুমান এবং অনিশ্চয়তা প্রচার করতে পারি। নোট করুন অনিশ্চয়তা সময়ের সাথে একঘেয়েভাবে বাড়বে। এটি প্রত্যাশিত এটি ঠিক করার জন্য, সাধারণত যা করা হয় তা হ'ল এবং ব্যবহারের পূর্বাভাসের অবস্থা আপডেট করতে। এটিকে ফিল্টারিং প্রক্রিয়ার পরিমাপ পদক্ষেপ বলা হয়, কারণ সেন্সরগুলি রোবটের অবস্থার অপ্রত্যক্ষ পরিমাপ সরবরাহ করে। $I_t$ $G_t$

প্রথমে, জিপিএস, জন্য এবং ফাংশন হিসাবে রোবট রাজ্যের কিছু অংশ অনুমান করতে প্রতিটি সেন্সর ব্যবহার করুন । ফরম অবশিষ্ট বা নতুনত্ব যা পূর্বাভাস এবং মাপা মান পার্থক্য নেই। তারপরে, এক সহভেদাংক ম্যাট্রিক্স আকারে প্রতিটি সেন্সর অনুমান জন্য সঠিকতা অনুমান সব সেন্সর (জন্য , এই ক্ষেত্রে)। অবশেষে, এর জ্যাকবীয়দের সন্ধান করুন এবং নীচের হিসাবে রাষ্ট্রের অনুমানটি আপডেট করুন: $h_g()$ $h_i()$ $R$ $R_g$ $R_i$ $h$

প্রতিটি সেন্সর জন্য রাষ্ট্র অনুমান সঙ্গে ( উইকিপিডিয়ার এন্ট্রি অনুসরণ ) $s$ $z_s$

{বনাম}_{গুলি} = {z- র}_{গুলি} - জ_{গুলি} ({\hat{এক্স}}_{টি + + 1})

$v_s=z_s- h_s(\hat{x}_{t+1})$

{এস}_{গুলি} = {এইচ}_{গুলি} * {পি}_{টি + + 1} * {এইচ}_{গুলি}^{টি} + + {আর}_{গুলি}

$S_s = H_s*P_{t+1}*H_s^T + R_s$

কে = {পি}_{টি + + 1} * {এইচ}_{গুলি}^{টি} {এস}_{গুলি}^{- 1}

$K = P_{t+1}*H_s^T S^{-1}_s$

{\hat{এক্স}}_{টি + + 1} = {\hat{এক্স}}_{টি + + 1} - কে * বনাম

$\hat{x}_{t+1} = \hat{x}_{t+1} - K*v$

{পি}_{টি + + 1} = (আমি - কে * {এইচ}_{গুলি}) * {পি}_{টি + + 1}

$P_{t+1} = (I-K*H_s)*P_{t+1}$

জিপিএসের ক্ষেত্রে, পরিমাপ এটি সম্ভবত অক্ষাংশ এবং দ্রাঘিমাংশ থেকে রোবটের স্থানীয় ফ্রেমে রূপান্তর, সুতরাং প্রায় পরিচয় হবে। বেশিরভাগ ক্ষেত্রে সরাসরি GPS ইউনিট দ্বারা প্রতিবেদন করা হয়। $z_g=h_g()$ $H_g$ $R_g$

আইএমইউ + ক্ষেত্রে, ফাংশনটি ত্বরণের একীকরণ এবং একটি অ্যাডিটিভ বায়াস টার্ম। আইএমইউ হ্যান্ডেল করার একটি উপায় হ'ল পছন্দসই সময়ে অবস্থান এবং গতিবেগ অনুমানের সন্ধানের জন্য সংখ্যাসূচকভাবে ত্বরণকে সংহত করা। প্রতিটি ত্বরণ অনুমানের জন্য যদি আপনার আইএমইউতে একটি ছোট সংযোজনযুক্ত শব্দ শব্দ থাকে, তবে অবশ্যই অবস্থানের প্রাক্কলনের যথার্থতা পেতে আপনাকে এই শব্দটি একীভূত করতে হবে। তারপরে কোভেরিয়েন্স হ'ল ছোট ছোট সমস্ত অ্যাডিটিভ শব্দের শর্তগুলির একীকরণ, । পক্ষপাতিত্বের জন্য আপডেটটি অন্তর্ভুক্ত করা আরও কঠিন এবং আমার দক্ষতার বাইরে। তবে, যেহেতু আপনি পরিকল্পনার গতিতে আগ্রহী, আপনি সম্ভবত সমস্যাটি সহজ করতে পারেন। এর জন্য আপনাকে সাহিত্যে সন্ধান করতে হবে। $z_i=h_i()$ $p_i$ $R_i$ $p_i$

আমার মাথার শীর্ষে থাকা কয়েকটি রেফারেন্স:

এই ক্ষেত্রটি যথেষ্ট পরিপক্ক যে গুগল (পণ্ডিত) সম্ভবত আপনাকে একটি কার্যকর বাস্তবায়ন খুঁজে পেতে পারে। আপনি যদি এই অঞ্চলে প্রচুর কাজ করতে যাচ্ছেন তবে আমি আপনাকে একটি দৃ text় পাঠ্যপুস্তিকা নেওয়ার পরামর্শ দিচ্ছি। গুগল কার খ্যাতির এস থ্রুন দ্বারা সম্ভবত প্রোব্লালিস্টিক রোবোটিক্সের মতো কিছু । (আমি গভীর রাতে বাস্তবায়নের জন্য এটি একটি দরকারী রেফারেন্স পেয়েছি)।

* রোবট অপারেটিং সিস্টেম (আরওএস) এ উপলব্ধ বেশ কয়েকটি পিএফ-ভিত্তিক অনুমানক রয়েছে । তবে এগুলি অভ্যন্তরীণ ব্যবহারের জন্য অনুকূলিত করা হয়েছে। কণা ফিল্টারগুলি মাল্টি-মডেল পিডিএফগুলির সাথে লেনদেন করে যা মানচিত্র ভিত্তিক স্থানীয়করণের ফলাফল হতে পারে (আমি কি এই দরজার কাছে বা সেই দরজার নিকটে )? আমি বিশ্বাস করি বেশিরভাগ আউটডোর বাস্তবায়ন (বিশেষত যারা জিপিএস ব্যবহার করতে পারেন, অন্তত মাঝে মাঝে) প্রসারিত কালম্যান ফিল্টার (ইকেএফ) ব্যবহার করে । আমি ডিফারেন্সিয়াল ড্রাইভ সহ আউটডোর, গ্রাউন্ড রোভারের জন্য বর্ধিত কালম্যান ফিল্টারটি সফলভাবে ব্যবহার করেছি।

— জোশ ভান্ডার হুক
সূত্র

(1) আমি কণা ফিল্টারগুলির "সুস্পষ্ট" সংযোগটি দেখতে পাচ্ছি না। (২) যদি আমার প্রশ্নের অনুরূপ কিছু আলোচনা করে এমন আরও প্রশ্ন / থ্রেড থাকে তবে তাদের একটি লিঙ্ক প্রদর্শন করুন। (৩) আমি EKFs এর উপহাস বুঝতে পেরেছি এবং অবশ্যই একটি ব্যবহার করতে চলেছি ... যদি আমি সত্যই প্রথম স্থানে রাষ্ট্রের উত্তরণটি জানতাম (যা আমার প্রশ্নের একটি বড় অংশ)। (৪) ক্যামেরা এবং লিডার দিয়ে রাষ্ট্রীয় অনুমানের উন্নতি করার ধারণাটি বিমূর্তে দুর্দান্ত, তবে এটি আমার যা প্রয়োজন তা আওতার বাইরে। যদিও রেফারেন্সের জন্য ধন্যবাদ।

— রবজ

কণা ফিল্টার একটি অ-লিনিয়ার অনুমানকারী। আমি লিঙ্কগুলি / রেফারেন্সগুলি শীঘ্রই আপডেট করব। আইএমইউ, গাইরো এবং ওডোমেট্রি রাজ্যের স্থানান্তরগুলি সাহিত্যে ব্যাপকভাবে কভার করা হয়েছে (রেফ 1 সহ)। আবার, আমি শীঘ্রই কয়েকটি তথ্যসূত্র আপডেট করব।

— জোশ ভান্ডার হুক

@ রবজ প্রচুর পরিমাণে ওপি সম্পাদনা করেছেন। মন্তব্যে সাড়া দেওয়ার জন্য স্ট্যান্ডার্ড অনুশীলনের বিষয়ে নিশ্চিত নই, তাই পোস্টের সাথে আমি যতটা পারলাম তথ্য যুক্ত করেছি।

— জোশ ভান্ডার হুক

7

আপনি বেশিরভাগ সাধারণ ক্ষেত্রে সমস্যাটি ব্যাপকভাবে সহজ করতে পারেন:

প্রচুর "বাণিজ্যিক গ্রেড" আইমাস (উদাঃ এক্সেনসেস) এর খুব শোরগোলের অ্যাক্সিলোমিটার রয়েছে। এমনকি তাদের গতি পেতে ফিউজ করতেও বিরক্ত করবেন না, ওডোমেট্রি ইতিমধ্যে আরও বেশি মাত্রার ক্রম। আইএমইউ কেবলমাত্র ব্যবহারযোগ্য ডেটা সরবরাহ করতে চলেছে তা হ'ল পিচ এবং রোল এবং কিছুটা শিরোনাম (পরবর্তী পয়েন্টটি দেখুন)
আইএমইউ থেকে শিরোনাম যে বিশ্বাসযোগ্য নয়। এটি ম্যাগোমিটারগুলি ব্যবহার করে, এবং ফেরোম্যাগনেটিক জনগণের কাছাকাছি, যেমন আপনি দেয়াল নির্মাণে সন্ধান করতে পারেন তার কাছাকাছি বিশাল ড্রিফ্টগুলি (আমাদের ক্ষেত্রে 2 মিটারের চেয়ে 25 ডিগ্রি পর্যন্ত) দেখায়। আমরা এটি সমাধান করতে যা করেছি তা হ'ল আইএমইউ শিরোনাম ব্যবহার করা, তবে শিরোনামের পক্ষপাতিত্ব অনুমান করা।
আপনি যদি বাইরে থাকেন, তবে ভুলে যাবেন না যে 10 ডিগ্রি ইনক্লিনে 10 মি ভ্রমণ করা সমতল ভূখণ্ডে 10 মি ভ্রমণ করার চেয়ে এক্স এবং ওয়াইয়ের একই পরিবর্তন ঘটাতে পারে না। এটি সাধারণত জেড অনুমান করে গণনা করা হয় তবে আমার ধারণা এটি অন্যরকমভাবে অনুমান করা যায়।
জিপিএস হ'ল একটি মিথ্যা দুশ্চরিত্রা, সাধারণত উচ্চ-গুণমানের পরিবেশে। প্লাস নিম্ন-গ্রেড (এমনকি কিছু শর্তেও উচ্চ-গ্রেড) জিপিএসের খুব ভুল স্ট্যান্ডার্ড বিচ্যুতির প্রতিবেদন করার প্রবণতা রয়েছে। কোনও নির্দিষ্ট জিপিএস পরিমাপকে একীভূত করা উচিত কিনা তা পরীক্ষা করার জন্য আমরা কয়েকটি সাধারণ চি-স্কোয়ার পরীক্ষা ব্যবহার করেছি (উদাহরণস্বরূপ এটি নির্দিষ্ট পয়েন্ট পর্যন্ত বর্তমান ফিল্টার অনুমানের সাথে মেলে কিনা তা পরীক্ষা করে), যা আমাদের শালীন ফলাফল দিয়েছে।

আমাদের জন্য "সাধারণ" সমাধানটি হ'ল অডিও-গতি অনুমানের জন্য ওডোমেট্রি + আইএমইউ ব্যবহার করা এবং তারপরে এক্স, ওয়াই, জেড এবং শিরোনামের পক্ষপাতদুটি সংশোধন করতে জিপিএস ব্যবহার করা।

এখানে একটি ইকেএফ বাস্তবায়ন যা আমরা ব্যাপকভাবে ব্যবহার করেছি। আপনার যদি আইএমইউর অভিযোজন অনুমান করতে হয় (যদি এটি ইতিমধ্যে অন্তর্নির্মিত ফিল্টার না থাকে), আপনি এই দুটি ফিল্টার ব্যবহার করতে পারেন: ইউকেএফ এবং ইকেএফ ।

— sylvain.joyeux
সূত্র

সুতরাং আপনি কি আপনার EKF রাজ্যে শিরোনাম পক্ষপাতের একটি অনুমান অন্তর্ভুক্ত করেছেন? কৌতূহলের বাইরে, কীভাবে ভাল কাজ করেছে?

— রবজ