SeterusnyaPanduan seterusnya
Penapis Kalman untuk Penjejakan Objek
AI Visual
PANDUAN Teknikal
Penapis Kalman menganggarkan keadaan tersembunyi dari semasa ke semasa dengan menyelang-seli ramalan berasaskan model dengan kemas kini daripada ukuran bising.
Dengar panduan iniAI-diceritakan · ~3 min
Di bawah dinamik linear dan hingar Gaussian ia memberikan anggaran rekursif dan ketidakpastian yang cekap, manakala ketidakpadanan model atau proses tak linear memerlukan sambungan atau penapis alternatif.
Penapis Kalman menjejaki keadaan tersembunyi yang tidak boleh diperhatikan secara langsung, seperti kedudukan dan halaju objek. Ia mengekalkan anggaran dan kovarians yang menggambarkan ketidakpastian. Pada setiap langkah masa, ia mula-mula meramalkan keadaan seterusnya menggunakan model peralihan dan menyebarkan ketidakpastian. Ia kemudian menerima ukuran, meramalkan perkara yang perlu dilaporkan oleh penderia, mengira inovasi (pengukuran tolak ukuran ramalan) dan mengemas kini keadaan mengikut kemakluman pengukuran itu. Dalam contoh skalar, katakan lokasi yang diramalkan ialah 10 dengan varians 4 dan bacaan penderia ialah 14 dengan varians ukuran 4. Keuntungan diramalkan varians dibahagikan dengan ramalan campur varians ukuran: 4/(4+4)=0.5. Anggaran yang dikemas kini ialah 10 + 0.5*(14-10)=12. Ketidakpastian yang sama meletakkan keputusan di tengah-tengah antara ramalan dan pengukuran. Jika varians pengukuran jauh lebih besar, keuntungan akan mengecut dan penapis akan lebih bersandar pada model keadaannya. Penapis Kalman klasik adalah optimum untuk keadaan linear dan persamaan cerapan dengan hingar Gaussian dan matriks kovarians yang dinyatakan dengan betul. Ia adalah rekursif, jadi ia boleh mengemas kini anggaran tanpa mengekalkan setiap ukuran yang lalu. Ini menjadikannya berguna dalam penjejakan, gabungan sensor dan kawalan. Andaian penting: penderia berat sebelah, perubahan dinamik, ralat berat atau perhubungan tak linear boleh merendahkan anggaran. Kalman lanjutan dan tanpa pewangi menapis anggaran model tak linear dengan cara yang berbeza; penapis zarah mewakili pengagihan yang lebih umum pada kos pengiraan yang lebih besar. Inovasi sisa harus dipantau untuk bias, autokorelasi dan nilai besar yang tidak dijangka. Penapis boleh kelihatan stabil secara berangka sambil bergantung pada tetapan hingar proses atau hingar pengukuran yang lemah. Anggaran negeri harus dibezakan daripada pemerhatian langsung, dan ketidakpastian harus dilaporkan apabila keputusan bergantung padanya. Penapis Kalman melicinkan maklumat dari semasa ke semasa mengikut modelnya; ia tidak mengalih keluar ralat penderia atau menjamin penjejakan yang tepat di bawah gerakan yang tidak dimodelkan.
Penjejak kenderaan hipotesis meramalkan kedudukan menggunakan kedudukan dan halaju sebelumnya, kemudian mengemas kini anggaran itu apabila bacaan GPS yang bising tiba. Jika hingar pengukuran tinggi, bacaan menerima kurang berat.
Penderia telah meramalkan kedudukan 10 dengan varians 4, dan ukuran 14 mempunyai varians 4. Keuntungan Kalman skalar ialah 4/(4+4)=0.5, jadi anggaran yang dikemas kini ialah 10+0.5(14-10)=12.
Seorang penganalisis membandingkan ukuran yang diramalkan dan diperhatikan dari semasa ke semasa. Inovasi besar yang berterusan mungkin menandakan model gerakan yang salah, isu penentukuran sensor atau perubahan yang tidak dimodelkan.
Pasukan menggunakan penapis Kalman untuk proses Gaussian linear dan mempertimbangkan penapis Kalman lanjutan apabila peralihan keadaan atau persamaan pemerhatian adalah bukan linear, mengiktiraf anggaran yang terlibat.
Sistem penjejakan boleh menyampaikan anggaran Kalman dengan lebih bertanggungjawab dengan menunjukkan ketidakpastian keadaan dan diagnostik inovasi di samping laluan anggaran. Pasukan harus mengesahkan model gerakan dan pemerhatian menggunakan trajektori yang direkodkan dan kegagalan sensor ujian atau gerakan mengejut. Apabila sisa menunjukkan struktur yang sistematik, lihat semula model dan bukan sekadar melicinkan dengan lebih banyak. Untuk dinamik tak linear, bandingkan penapis lanjutan atau tidak wangi dengan kaedah berasaskan zarah apabila kos tambahan adalah wajar. Rekod jelas Q, R dan penentukuran sensor membolehkan anda memahami sebab anggaran bertindak balas dengan kuat atau lemah kepada ukuran baharu.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Penapis Kalman menganggarkan keadaan tersembunyi dari semasa ke semasa dengan menyelang-seli ramalan berasaskan model dengan kemas kini daripada ukuran bising. Di bawah dinamik linear dan hingar Gaussian ia memberikan anggaran rekursif dan ketidakpastian yang cekap, manakala ketidakpadanan model atau proses tak linear memerlukan sambungan atau penapis alternatif.
Penapis menyebarkan anggaran keadaan dan ketidakpastian, kemudian menggabungkan pemerhatian masuk.
Pengukuran yang lebih bising adalah kurang bermaklumat, mengurangkan keuntungan berbanding ketidakpastian yang diramalkan.
Hasil pengoptimuman klasik bergantung pada model keadaan/pemerhatian linear dan andaian hingar Gaussian.
Inovasi ialah baki antara pemerhatian baharu dan apa yang diramalkan oleh model yang akan diukur oleh sensor.
Corak inovasi sistematik mencadangkan model, penentukuran atau andaian proses mungkin salah.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Penapis Kalman untuk Penjejakan Objek
AI Visual