卡尔曼滤波器进行多传感器数据融合

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

$$\begin{array}{c}x(k+1)=Ax(k)+Bu(k)+w\\ y_1(k)=H_{1}x(k)+v_1\\ \cdots \cdots \cdots \cdots \\ y_n(k)=H_{n}x(k)+v_n\end{array}$$

对于串行：

$$\begin{gathered} \begin{array}{lc}& x(k+1)=Ax(k)+Bu(k)+w\\ & y_1(k)=H_{1}x(k)+v_1\end{array}\}\stackrel{KF}{\Rightarrow }{\hat{x}}_1(k+1)\cdot P^{(1)}(k) \\ \stackrel{构造方程}{\Rightarrow }\begin{array}{lc}& x(k+1)=A{\hat{x}}_1(k+1)+Bu(k)+w_1\\ & y_1(k)=H_{1}x(k)+v_1\end{array}\}\stackrel{KF}{\Rightarrow }{\hat{x}}_2(k+1)\cdot P^{(2)}(k) \end{gathered}$$

重复过程直到使用全部测量值。

对于并行：

$$y(k)=\left(\begin{array}{c}{y}_1(k)\\ ⋮\\ y_n(k)\end{array}\right)=\left(\begin{array}{c}{H}_{1}x(k)\\ ⋮\\ H_{n}x(k)\end{array}\right)+\left(\begin{array}{c}{v}_1\\ ⋮\\ v_n\end{array}\right)$$

$$\begin{array}{lc}& x(k+1)=Ax(k)+Bu(k)+w\\ & y(k)=Hx(k)+v\end{array}\}\stackrel{KF}{\Rightarrow }\hat{x}(k+1),\hat{P}(k)$$

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）。