Sensor Fusion Algorithm

Kalman Filter

Kalman Filter- ը բնորոշ է:

Ալգորիթմի առանցքը յուրաքանչյուր սենսորի համար սահմանել «հավատքի» գործոնների մի շարք: Յուրաքանչյուր պահին վերջին պահից սենսորի տվյալները կօգտագործվեն վիճակագրության համար `գուշակությունը (ինքնազբաղումը) բարելավելու համար, եւ սենսորի որակը նույնպես դատվելու է: Նախատեսված արժեքի եւ սենսորի չափված արժեքի համեմատությամբ գնահատվելու է հիանալի արժեք եւ ելք:

Սա նշանակում է, որ եթե սենսորը միշտ տալիս է լավ եւ հետեւողական արժեք եւ սկսում է ձեզ քիչ բան ասել, սենսորի հավաստիության մակարդակը կնվազի մի քանի միլիարդ վայրկյանում:

Սա ավելի լավ է, քան պարզ միջինը կամ քվեարկությունը, քանի որ Kalman Filter- ը կարող է գործ ունենալ այն իրավիճակին, որը սենսորների մեծ մասը ժամանակավորապես դուրս է: Քանի դեռ կարելի է լավ պատճառաբանել, այն կարող է ռոբոտը դարձնել մութ պահի միջով:

Kalman Filter- ը Մարկովի շղթայի եւ Բայեսյան բանականության ավելի ընդհանուր հասկացությունների կիրառում է, որը մաթեմատիկական համակարգ է, որը կրկնականորեն բարելավում է նրանց գուշակությունները `ապացույցներ օգտագործելով: Այս գործիքները գործիքներ են, որոնք օգտագործվում են գիտությանը օգնելու համար ինքնուրույն փորձարկումներ (որոնք նաեւ հիմք են հանդիսանում «վիճակագրական նշանակություն» կոչվող:

Հետեւաբար, կարելի է ասել, որ բանաստեղծորեն, որ սենսորային միաձուլման որոշ համակարգեր արտահայտում են գիտության էությունը վայրկյանում 1000 անգամ արագությամբ:

Կալմանի ֆիլտրերը տասնամյակներ շարունակ օգտագործվել են տիեզերական արբանյակների ուղեծրային կայաններում: Քանի որ ժամանակակից միկրոկոնտրոլները կարող են իրական ժամանակում վարել ալգորիթմը, նրանք ավելի ու ավելի տարածված են դառնում ռոբոտաշինության մեջ: