关于松耦合融合
在状态预测过程中,最经典的是卡尔曼滤波,主要作用是可将多个传感器做融合处理,估计出一个较好的状态值,处理一般分为松耦合和紧耦合,
松耦合是指只用传感器的结果数据作为观测值,对预测值进行更新。
例如,使用IMU作为预测的原始数据进行计算,使用GPS定位的结果作为观测值进行误差修正更新,逻辑简单实用,而且可以使用多传感器做融合来提高精度。
而紧耦合时,要使用GPS的伪距数据,以及其他的更原始更全的数据进行计算,比较复杂。
例如,
可以在EKF预测运算时,使用IMU作为预测数据进行计算,只要有IMU数据产生,就立即进行位姿预测,而使用其他传感器的数据作为参考观测值,例如,GPS数据和LiDAR数据,当有观测值数据产生时,使用观测值对预测值进行修正,并且更新IMU和预测数据,从而保证预测结果不会产生太大的累积误差。
所以,松耦合所使用的传感器越多越容易纠正估计误差,而且主流做法都是把IMU作为预测数据传感器,把其他传感器作为观测传感器。
关于卡尔曼滤波
关于卡尔曼滤波的详细介绍推荐一篇博文 深度解析卡尔曼滤波在IMU中的使用,写的很详细,
在此简要提取主要步骤,以备参考。
两个模型
状态方程
x k = F x k − 1 + B u k + w k x_k = Fx_{k-1} + Bu_k+w_k xk=Fxk−1+Buk+wk
测量方程
z k = H x k + v k z_k = Hx_k+v_k z