¿Debo filtrar (kalman / lowpass) después de obtener los valores brutos de un sensor o después de convertir los valores brutos en datos utilizables? ¿Importa? Si es así, ¿por qué?
Ejemplo: Filtrar después de obtener valores brutos de IMU o filtro después de convertir valores brutos en datos utilizables, por ejemplo. parámetros de dinámica de vuelo.
Respuestas:
El KF estima la pose del robot en función de todas las entradas del sensor y la correlación del sensor . Si lo hace un EKF en los datos de la brújula, usted realmente necesita la pose del robot para determinar la probabilidad de una lectura de la brújula dada es . Sin eso, solo estás usando un filtro de paso bajo (sin usar un filtro probabilístico como el KF).
Si filtra antes de poner todo en el mismo marco, entonces no sé qué tipo de información que tendría que hacer el filtrado en . Como no sé exactamente qué quiere decir con "utilizable", supongo que ha convertido todos los datos del sensor en el marco de coordenadas del robot. En ese caso, el filtrado es muy fácil ya que puede colocar todas las lecturas del sensor directamente en un EKF. De hecho, esta es la forma "normal" de filtrar, con la que estoy familiarizado.
Ejemplo : supongamos que su IMU está conectada a un robot. La IMU se usará para estimar la pose del robot. No importa qué unidades use mientras la IMU le diga algo sobre cómo se mueve el robot. Luego puede usar la correlación de la IMU con otras cosas que miden el movimiento, como la brújula o los odómetros. Para eso está el KF. El KF no es un filtro sensor como un filtro de paso de banda o algo así.
Hay una respuesta muy relevante aquí .
Filtra los datos sin procesar.
El filtrado elimina (con suerte) la mayoría del ruido y los errores. Los datos sin procesar generalmente no son tan útiles.
Gyros deriva, brújulas tiene mucho ruido. Kalman puede eliminar ambos.