为什么需要卡尔曼滤波器？

我正在设计一种无人机，其中将包括几种类型的传感器：

• 3轴加速度计
• 三轴陀螺仪
• 3轴磁力计
• 地平线传感器
• 全球定位系统
• 向下的超声波。

我的一个朋友告诉我，我需要将所有这些传感器数据通过卡尔曼滤波器进行过滤，但是我不明白为什么。为什么我不能直接将它直接放入微控制器。卡尔曼滤波器对我的传感器数据有何帮助？

您确实将所有这些传感器直接连接到微控制器。卡尔曼滤波器不是像传感器和微控制器之间的LRC滤波器那样的电子滤波器。卡尔曼滤波器是一种数学滤波器，实现为微控制器内部的软件例程。

您列出的传感器在每次更新时都会给微控制器14或15个原始数字。

当我驾驶一架小飞机时，我真正想知道的是它的位置和方向以及它在地面上的距离-7个数字。

我需要一些能给我这7个数字的东西。

理想情况下，我希望通过控制循环每次都对这7个数字进行新的估算。我从便宜的GPS中获得的每秒更新一次还不够快。（我的四轴飞行器输出-感知-计算-输出更新循环需要保持在哪个频率上的频率？告诉我什至每秒50次的速度还不够快）。

我将不得不以某种方式将我拥有的14或15个原始数字减少到我真正想要的7个数字中（估计其中一些只是偶尔更新）。

正如Josh所指出的，有许多临时方法可以将这些原始数字转换为可用数据。将15个数字转换为7个数字的任何例程都可以称为“过滤器”。

你不具备使用最佳滤波器。但是您将使用某种过滤器-即，将您拥有的15个原始数据转换成您真正想要的7个数字（估算值）的过滤器。

该卡尔曼滤波是，在某些情况下，“最优”的过滤器，该转换原始数据到7号我真的想最好的方式。

使用别人已经编写和调试过的卡尔曼过滤器，比起从头开始编写其他过滤器，对其进行调试并不断添加内容直到可用为止，可能需要花费较少的精力–一个过滤器将不可避免地是次优的。

最简短的回答是“不加尝试。” 更好的答案是一个例子：当您的加速度计说您与垂直方向成10度，而您的陀螺仪却说您尚未远离垂直方向旋转时，您的磁力计报告说它与北偏30度，而您的陀螺仪说您与垂直方向成32度。目前的航向和倾斜度是多少？

您可能会想出一百万个临时方法，这些方法似乎在一个示例中可行，但在其他示例中却失败了。卡尔曼滤波器（用于此任务的扩展卡尔曼滤波器（EKF）！）将为您提供一种严格的方法来回答这些问题。答案的质量仍在研究中-尽管EKF的往绩非常好-但至少每个人都会同意答案是什么。

传感器数据嘈杂。如果您不对其进行过滤，那么即使它的稳定性足以飞行，您的车辆也至少会失常运行。如果正确完成操作，则通过卡尔曼滤波器或其他方式进行滤波可以降低噪声，从而提高稳定性。

甲卡尔曼滤波器是特别强大的过滤器。它采用系统模型以及系统和传感器的噪声模型。然后，它根据提供的状态估算值和随时应用的控制来估算车辆的状态。此估计状态将比传感器报告的状态更准确。

您也可以使用粒子过滤器。对于粒子过滤器的基本介绍，您可以看一下Thrun教授在《编程机器人汽车》中的视频。

http://www.youtube.com/watch?v=H0G1yslM5rc

http://www.youtube.com/watch?v=QgOUu2sUDzg

粒子滤波器更强大，并且闭环错误的可能性要小得多，这通常在实现EKF时发生。

视频介绍了粒子过滤器的功能。

卡尔曼滤波器是一种算法，通常用于无人机中，以将多个传感器的测量结果融合在一起，以提供无人机的位置和/或方向的“最佳”估计。例如，卡尔曼滤波器可以将加速度计，陀螺仪和磁力计的测量值与速度估算值融合在一起，以估算无人机的偏航角，俯仰角和侧倾角。

有关无人机状态估计中使用的传感器和算法的更多信息，请尝试阅读独立文章“小型无人机飞行的基础知识”。

本文还链接到随附的Matlab代码，这些代码实现了所描述的卡尔曼滤波器无人机状态估计算法。