轨迹预处理(轨迹清洗)-卡尔曼滤波、扩展的卡尔曼滤波、粒子滤波在轨迹清洗中的应用

本文介绍了如何利用卡尔曼滤波、扩展的卡尔曼滤波和粒子滤波对GPS轨迹进行清洗,以消除定位误差。通过对汽车轨迹数据的处理,展示扩展卡尔曼滤波和粒子滤波在轨迹漂移点和回跳点处理上的效果,证明了这些滤波方法在轨迹清洗中的有效性。
摘要由CSDN通过智能技术生成

1.卡尔曼滤波、扩展的卡尔曼滤波、粒子滤波的理论与应用

       GPS是全球卫星定位系统,可以帮助我们获得经纬度坐标。GPS在汽车上的广泛装备与应用,可以很方便地帮助我们获得海量的汽车轨迹信息。然而,GPS设备有时存在定位误差较大的问题[1],导致轨迹中存在一些漂移点、回跳点、缺点等。这些点将会影响我们对路网拓扑结构的研究。因此,本文利用卡尔曼滤波对轨迹进行清洗。

  简单来说,卡尔曼滤波器是一个“optimal recursive data processing algorithm(最优化自回归数据处理算法)”。它广泛应用在各个领域,包括机器人导航,控制,传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更被应用于计算机图像处理,例如头脸识别,图像分割,图像边缘检测等等。我们可以将卡尔曼滤波理解为一个估计状态的算法(如估计汽车的位置,房间的温度等)。当我们需要获知一个物体的状态时,我们可以采用两种方法:1)观测法:采用传感器测得该物体的状态。2)预测法:通过构建一个模型来预测物体的状态。这两种方法都是存在误差的,那我们应该相信哪种方法呢?还是对两种方法的结果取平均?卡尔曼模型就是通过结合方法1和方法2给出一个估计值,而且如果方法1的误差小,就相信方法1多一点,反之亦然。接下来对卡尔曼模型进行详细介绍。我们知道两种方法都会存在误差,卡尔曼模型认为方法1,方法2的误差都符合高斯分布。方法1的结果误差我们定义为高斯模型A,方法2的结果误差我们定义为高斯模型B。接下来我们求出A与B的联合分布C。联合分布C的均值,其实就是我们的估计值。同时,C就可以作为方法2的输入来预测下一个状态。这样卡尔曼模型就能不断地循环下去了,直至完成。简而言之,卡尔曼的本质是:模型的预测值为高斯分布,系统的观测值为高斯分布。估计值为它们两个的联合高斯分布。求联合高斯分布就是求其均值与方差。该联合高斯分布又作为模型下一个预测值的输入,从而使卡尔曼能够迭代地运行下去。

        要想将我们的卡尔曼模型应用到实际轨迹清洗问题中,我们首先需要构建构建一个预测模型,该预测模型能够清楚的表达出系统的前一个状态和当前状态的关系。如假设一个目标在进行匀速直线运动,我们要对其进行追踪。该质点的坐标为(x,y)是直接观测到的,质点在x轴和y轴的速度为Vx,Vy,那么系统状态变量,

  • 13
    点赞
  • 96
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
评论 13
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值