關於松耦合融合
在狀態預測過程中,最經典的是卡爾曼濾波,主要作用是可將多個傳感器做融合處理,估計出一個較好的狀態值,處理一般分爲松耦合和緊耦合,
松耦合是指只用傳感器的結果數據作爲觀測值,對預測值進行更新。
例如,使用IMU作爲預測的原始數據進行計算,使用GPS定位的結果作爲觀測值進行誤差修正更新,邏輯簡單實用,而且可以使用多傳感器做融合來提高精度。
而緊耦合時,要使用GPS的僞距數據,以及其他的更原始更全的數據進行計算,比較複雜。
例如,
可以在EKF預測運算時,使用IMU作爲預測數據進行計算,只要有IMU數據產生,就立即進行位姿預測,而使用其他傳感器的數據作爲參考觀測值,例如,GPS數據和LiDAR數據,當有觀測值數據產生時,使用觀測值對預測值進行修正,並且更新IMU和預測數據,從而保證預測結果不會產生太大的累積誤差。
所以,松耦合所使用的傳感器越多越容易糾正估計誤差,而且主流做法都是把IMU作爲預測數據傳感器,把其他傳感器作爲觀測傳感器。
關於卡爾曼濾波
關於卡爾曼濾波的詳細介紹推薦一篇博文 深度解析卡爾曼濾波在IMU中的使用,寫的很詳細,
在此簡要提取主要步驟,以備參考。
兩個模型
狀態方程
測量方程
預測階段
k時刻系統狀態先驗估計
計算誤差協方差
更新/校正階段
計算殘差
計算殘差協方差
計算增益(置信度)