Kinerja seperti apa yang dapat saya harapkan ketika menggunakan Filter Kalman Extended untuk kalibrasi dan lokalisasi?


8

Saat ini saya memiliki robot gaya roda tiga yang menggunakan filter kalman yang diperluas untuk melacak 6 variabel keadaan. Input ke sistem adalah steer encoder, distance encoder, dan laser yang berputar yang hanya membawa informasi ke landmark yang diketahui. Saat ini kedua encoders terletak di roda utama (Yang mengarahkan dan juga bertenaga).

6 variabel yang dilacak oleh Kalman Filter adalah X, Y, Heading, Distance Scaling (kalibrasi encoder jarak), Steer Calibration (offset dari steer encoder), dan akhirnya kalibrasi bantalan laser berputar.

Dengan sistem semacam ini kami mengumpulkan kendaraan yang memberikan lokasi yang dikenal baik dengan banyak landmark, mengendarainya sedikit, dan berakhir dengan kendaraan yang dikalibrasi dengan baik yang dapat berkendara jarak jauh andal dengan beberapa landmark. Ini sederhana dan bekerja sangat baik. Seiring waktu jika sebuah enkoder melayang secara otomatis akan mengikuti penyimpangan dan menyesuaikan.

Kami sekarang berusaha menerapkan prinsip yang sama pada robot dengan banyak kemudi dan roda penggerak. Dalam hal ini kendaraan akan dapat bergerak ke segala arah, berputar di tempat, dll. Setiap setir / roda penggerak akan memiliki setir dan jarak masing-masing yang harus dikalibrasi.

Dapatkah saya berharap mendapatkan keandalan dan kinerja yang sama dari sistem yang lebih kompleks? Apakah ada kesulitan umum yang harus diperhatikan ketika memperluas filter kalman untuk memasukkan lebih banyak variabel? Apakah ada risiko penyelesaiannya berdasarkan nilai yang kurang optimal?

Jawaban:


1

Menurut pendapat saya (berdasarkan pengalaman saya yang terbatas menggunakan EKF untuk navigasi):

Kinerja EKF dapat sangat ditingkatkan dengan model kinematik yang baik. Anda melakukannya dengan benar dengan memasukkan bias pada model kemudi dan odometry Anda untuk sistem roda tiga. Jika Anda dapat menurunkan dan menerapkan model kinematika terperinci untuk sistem Anda yang lebih rumit, maka Anda harus melakukannya dengan cukup baik. Jika tidak, maka EKF juga harus memperhitungkan kesalahan Anda dalam pemodelan, di samping kesalahan sensor Anda dan kesalahan linierisasi. Ini bahaya: memasukkan sumber kesalahan yang tidak diperhitungkan akan membuat filter Anda tidak konsisten dengan sangat cepat.

Jika ada yang tidak beres (filter Anda tidak terkonvergensi dengan baik), Anda dapat mencoba beberapa model metds (IMM). Jadi saran saya adalah memodelkan sistem sebaik mungkin. EKF memiliki rekam jejak yang sangat baik untuk tugas-tugas ini. Semoga berhasil.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.