¿Qué tipo de rendimiento puedo esperar al usar un filtro Kalman extendido para calibración y localización?

Actualmente tengo un robot de estilo triciclo que usa un filtro Kalman extendido para rastrear 6 variables de estado. Las entradas al sistema son un codificador de dirección, un codificador de distancia y un láser giratorio que devuelve la información de los rumbos a puntos de referencia conocidos. Actualmente, ambos codificadores están ubicados en la rueda principal (la que dirige y también está activada).

Las 6 variables rastreadas por el filtro de Kalman son X, Y, rumbo, escalado de distancia (calibración del codificador de distancia), calibración de dirección (desplazamiento del codificador de dirección) y, finalmente, una calibración de rumbo de un láser giratorio.

Con este tipo de sistema, armamos un vehículo para darle una buena ubicación conocida con muchos puntos de referencia, conducirlo un poco y terminar con un vehículo bien calibrado que puede conducir distancias extendidas de manera confiable con pocos puntos de referencia. Es simple y funciona muy bien. Con el tiempo, si un codificador se desplaza, seguirá automáticamente la deriva y se ajustará.

Ahora estamos intentando aplicar los mismos principios a un robot con múltiples ruedas de dirección y tracción. En este caso, el vehículo podrá moverse en cualquier dirección, girar en su lugar, etc. Cada rueda de dirección / tracción tendrá su propio codificador de dirección y distancia que cada uno debe calibrarse.

¿Puedo esperar obtener el mismo tipo de confiabilidad y rendimiento del sistema más complejo? ¿Hay problemas comunes a tener en cuenta al expandir un filtro kalman para incluir más variables? ¿Existe el riesgo de que se establezca en valores subóptimos?

En mi opinión (basado en mi experiencia limitada usando el EKF para la navegación):

El rendimiento del EKF puede mejorarse enormemente con un buen modelo cinemático. Hizo lo correcto al incluir el sesgo en sus modelos de dirección y odometría para el sistema de triciclo. Si puede derivar y aplicar un modelo cinemático detallado para su sistema más complicado, entonces debería hacerlo bastante bien. De lo contrario, el EKF también debe tener en cuenta sus errores en el modelado, además de los errores de su sensor y los errores de linealización. Este es el peligro: incluir una fuente de error que no se tenga en cuenta hará que su filtro sea inconsistente muy rápidamente.

Si las cosas se salen de control (su filtro no está convergiendo bien), puede probar varios métodos de modelo (IMM). Así que mi consejo es modelar el sistema lo mejor posible. El EKF tiene un muy buen historial para estas tareas. Buena suerte.