То есть, если вы имеете в качестве переменных состояния положение ( p ) и скорость ( v ), и я делаю низкочастотные измерения p , это также косвенно дает мне информацию о v (так как это производная от p ). Каков наилучший способ справиться с такими отношениями?
А) На этапе обновления я должен только сказать, что я измерил p , и полагаться на процесс фильтрации и накопленную ковариационную матрицу состояний ( P ), чтобы исправить v ?
Б) Должен ли я создать «дополнительный» шаг прогнозирования, либо после, либо до моего шага обновления для измерения p , который использует мои измеренное p и (относительно большое) дельта-время, чтобы сделать прогноз с высокой дисперсией v ?
C) На моем этапе обновления / измерения я должен сказать, что я произвел измерение как p, так и v , а затем каким-то образом кодировать информацию об их взаимозависимости в матрицу ковариантности измерений ( R )?
Для получения дополнительной информации приведу конкретную ситуацию, в которой я столкнулся с проблемой:
Я работаю с системой, в которой я хочу оценить положение ( p ) объекта, и я делаю частые измерения ускорения ( a ) и нечастые, с высоким уровнем шума измерения p .
В настоящее время я работаю с базой кода, которая делает это с помощью расширенного фильтра Калмана, где он хранится в виде переменных состояния p и v . После каждого измерения ускорения он выполняет этап «прогнозирования», в котором он использует измеренные значения времени a и delta для интегрирования и прогнозирования новых значений p и v . Затем он выполняет шаг «обновление» / «измерение» для каждого (нечастого) p измерения.
Проблема заключается в следующем - я получаю случайные измерения высокой ошибки при выполнении , что приводит к высоко ошибочному против . Очевидно, что дальнейшие измерения a никогда не исправят это, но измерения p должны избавиться от этого. И, на самом деле, похоже, что это происходит ... но ОЧЕНЬ медленно.
Я думал, что это может быть частично, потому что единственный способ, которым р воздействует на v в этой системе, - это ковариационная матрица Р - т.е. метод А) сверху - что кажется довольно косвенным. Мне было интересно, есть ли лучший способ включить наши знания об этой взаимосвязи между p и v в модель, чтобы измерения p исправляли v быстрее.
Благодарность!