Yaitu, jika Anda memiliki posisi variabel keadaan ( p ) dan kecepatan ( v ), dan saya membuat pengukuran frekuensi rendah p , ini juga secara tidak langsung memberi saya informasi tentang v (karena ini adalah turunan dari p ). Apa cara terbaik untuk menangani hubungan seperti itu?
A) Pada langkah pembaruan, haruskah saya hanya mengatakan saya telah mengukur p , dan mengandalkan proses penyaringan, dan akumulasi matriks kovarians state ( P ) saya, untuk memperbaiki v ?
B) Haruskah saya membuat langkah prediksi "ekstra", baik setelah atau sebelum langkah pembaruan saya untuk pengukuran p , yang menggunakan p diukur dan waktu delta (relatif besar) saya untuk membuat prediksi varians v yang tinggi ?
C) Dalam langkah pembaruan / pengukuran saya, haruskah saya mengatakan saya telah membuat pengukuran p dan v , dan kemudian entah bagaimana menyandikan informasi tentang saling ketergantungan mereka ke dalam matriks co-variance pengukuran ( R )?
Untuk sedikit lebih banyak latar belakang, inilah situasi khusus di mana saya mengalami masalah:
Saya bekerja dengan sistem di mana saya ingin memperkirakan posisi ( p ) suatu objek, dan saya sering melakukan pengukuran akselerasi ( a ) dan pengukuran p -noise yang jarang dan tinggi .
Saya saat ini bekerja dengan basis kode yang melakukan ini dengan Extended Kalman Filter, di mana ia disimpan sebagai variabel keadaan p dan v . Ini menjalankan langkah "prediksi" setelah setiap pengukuran percepatan, di mana ia menggunakan waktu a dan delta yang diukur untuk mengintegrasikan dan memprediksi p dan v baru . Kemudian menjalankan langkah "perbarui" / "pengukuran" untuk setiap pengukuran (jarang) p .
Masalahnya adalah ini - saya mendapatkan pengukuran tinggi-kesalahan sesekali sebuah , yang mengakibatkan sangat-keliru v . Jelas, pengukuran lebih lanjut dari suatu tidak akan pernah memperbaiki ini, tapi pengukuran p harus menyingkirkan ini. Dan, pada kenyataannya, ini tampaknya terjadi ... tetapi SANGAT lambat.
Saya berpikir bahwa ini mungkin sebagian karena satu-satunya cara p mempengaruhi v dalam sistem ini adalah melalui matriks kovarian P - yaitu, metode A) dari atas - yang tampaknya cukup tidak langsung. Saya bertanya-tanya apakah akan ada cara yang lebih baik untuk menggabungkan pengetahuan kita tentang hubungan antara p dan v ke dalam model, sehingga pengukuran p akan mengoreksi v lebih cepat.
Terima kasih!