Eu sempre vejo o filtro Kalman usado com esses dados de entrada. Por exemplo, as entradas são geralmente uma posição e a velocidade correspondente:
No meu caso, só tenho posições e ângulos 2D em cada momento da amostra:
Devo calcular velocidades para cada ponto e para cada ângulo para poder ajustar-se à estrutura de Kalman?
filters
adaptive-filters
kalman-filters
Stéphane Péchard
fonte
fonte
Respostas:
Uma variável de estado e sua derivada são frequentemente incluídas como entradas para um filtro Kalman, mas isso não é necessário. A essência da estrutura de Kalman é que o sistema em questão possui algum estado interno que você está tentando estimar. Você estima essas variáveis de estado com base em suas medições dos observáveis desse sistema ao longo do tempo. Em muitos casos, você não pode medir diretamente o estado que está interessado em estimar, mas se conhece um relacionamento entre suas medidas e as variáveis de estado interno, pode usar a estrutura de Kalman para o seu problema.
Há um bom exemplo disso na página da Wikipedia . Nesse exemplo, é considerado o movimento linear unidimensional de um objeto. As variáveis de estado do objeto consistem em sua posição versus tempo e sua velocidade na linha de movimento unidimensional. O exemplo assume que o único observável é a posição do objeto versus o tempo; sua velocidade não é observada diretamente. Portanto, a estrutura do filtro "deduz" a estimativa de velocidade com base nas medições de posição e na relação conhecida entre velocidade e posição (por exemplo, se se considerar que a aceleração varia lentamente).xk˙≈ ( xk- xk - 1)Δ t
fonte
A taxa de guinada da câmera pode ser calculada a partir do desvio da velocidade de uma posição 2D por uma profundidade de imagem (uma da posição 3D). Então, basicamente, você tem dois tipos de soluções da taxa de guinada, ou seja, pelo processamento da posição da imagem, outra é pelo sensor da taxa de guinada. Eles podem ser combinados entre si com o filtro Kalman para refinar a taxa de guinada.
fonte
fonte