KF memperkirakan pose robot berdasarkan semua input sensor dan korelasi sensor . Jika Anda melakukan EKF pada data kompas, Anda akan benar-benar membutuhkan pose robot untuk menentukan seberapa besar kemungkinan pembacaan kompas yang diberikan adalah . Tanpa itu, Anda hanya penyaringan low-pass (tidak menggunakan filter probabilistik seperti KF).
Jika Anda menyaring sebelum Anda menempatkan semuanya dalam frame yang sama, maka saya tidak tahu informasi apa yang Anda harus lakukan penyaringan di . Karena saya tidak tahu persis apa yang Anda maksud dengan "dapat digunakan", saya berasumsi bahwa Anda telah mengubah semua data sensor menjadi kerangka koordinat robot. Dalam hal ini, penyaringan sangat mudah karena Anda dapat menempatkan semua pembacaan sensor langsung ke satu EKF. Sebenarnya, ini adalah cara "normal" untuk melakukan penyaringan, yang saya kenal.
Contoh : Misalkan IMU Anda terpasang pada robot. IMU akan digunakan dalam memperkirakan pose robot. Tidak masalah unit apa yang Anda gunakan selama IMU memberi tahu Anda sesuatu tentang bagaimana robot bergerak. Kemudian Anda dapat menggunakan korelasi IMU ke hal-hal lain yang mengukur gerakan, seperti kompas atau odometer. Untuk itulah KF diperuntukkan. KF bukan filter sensor seperti bandpass filter atau semacamnya.
Ada jawaban yang sangat relevan di sini .