使用卡尔曼滤波器进行多传感器数据融合
最基础的分类可以分为三类:串行、并行、混合型
比如存在多个观测器
x ( k + 1 ) = A x ( k ) + B u ( k ) + w y 1 ( k ) = H 1 x ( k ) + v 1 ⋯ ⋯ ⋯ ⋯ y n ( k ) = H n x ( k ) + v n \begin{gathered} x(k+1)=A x(k)+B u(k)+w \\ y_1(k)=H_1 x(k)+v_1 \\ \cdots \cdots \cdots \cdots \\ y_n(k)=H_n x(k)+v_n \end{gathered} x(k+1)=Ax(k)+Bu(k)+wy1(k)=H1x(k)+v1⋯⋯⋯⋯yn(k)=Hnx(k)+vn
对于串行:
x ( k + 1 ) = A x ( k ) + B u ( k ) + w y 1 ( k ) = H 1 x ( k ) + v 1 } ⇒ K F x ^ 1 ( k + 1 ) ⋅ P ( 1 ) ( k ) ⇒ 构造方程 x ( k + 1 ) = A x ^ 1 ( k + 1 ) + B u ( k ) + w 1 y 1 ( k ) = H 1 x ( k ) + v 1 } ⇒ K F x ^ 2 ( k + 1 ) ⋅ P ( 2 ) ( k ) \left.\begin{array}{l} & x(k+1)=A x(k)+B u(k)+w \\ & y_1(k)=H_1 x(k)+v_1 \end{array}\right\}\stackrel{K F} \Rightarrow \hat{x}_1(k+1) \cdot P^{(1)}(k)\\ \stackrel{构造方程} \Rightarrow \left.\begin{array}{l} & x(k+1)=A \hat{x}_1(k+1)+B u(k)+w_1 \\ & y_1(k)=H_1 x(k)+v_1 \end{array}\right\}\stackrel{K F} \Rightarrow \hat{x}_2(k+1) \cdot P^{(2)}(k)\\ x(k+1)=Ax(k)+Bu(k)+wy1(k)=H1x(k)+v1}⇒KFx^1(k+1)⋅P(1)(k)⇒构造方程x(k+1)=Ax^1(k+1)+Bu(k)+w1y1(k)=H1x(k)+v1}⇒KFx^2(k+1)⋅P(2)(k)
重复过程直到使用全部测量值。
对于并行:
y ( k ) = ( y 1 ( k ) ⋮ y n ( k ) ) = ( H 1 x ( k ) ⋮ H n x ( k ) ) + ( v 1 ⋮ v n ) y(k)=\left(\begin{array}{c} y_1(k) \\ \vdots \\ y_n(k) \end{array}\right)=\left(\begin{array}{c} H_1 x(k) \\ \vdots \\ H_n x(k) \end{array}\right)+\left(\begin{array}{c} v_1 \\ \vdots \\ v_n \end{array}\right) y(k)= y1(k)⋮yn(k) = H1x(k)⋮Hnx(k) + v1⋮vn
x ( k + 1 ) = A x ( k ) + B u ( k ) + w y ( k ) = H x ( k ) + v } ⇒ K F x ^ ( k + 1 ) , P ^ ( k ) \left.\begin{array}{l} & x(k+1)=A x(k)+B u(k)+w \\ & y(k)=H x(k)+v \end{array}\right\}\stackrel{K F} \Rightarrow \hat{x}(k+1) ,\hat{P}(k)\\ x(k+1)=Ax(k)+Bu(k)+wy(k)=Hx(k)+v}⇒KFx^(k+1),P^(k)
对于这两种方法,并行适合全局优化和集中管理,但是如果有单点故障或者是时间不同步,则受到影响大,这种情况可以使用串行方法,比如时间不同步情况下,对交替到达的不同观测,分别进行预测和更新即可。传感器多的情况下也可以使用混合式(同时使用串行与并行)。