1.信息融合
信息融合:
-
联合标定
-
时间同步 ( 硬同步、软同步 ( 精准、大致 ) )
-
空间同步 ( 旋转、平移矩阵 )
-
目标匹配/关联
-
相似性度量 / 距离计算 ( 标准欧式距离等 )
-
匹配 / 关联方法 ( 匈牙利算法 / 回溯法 / 指派法/最近邻算法等 )
-
目标状态估计
当有多个感知源信息传过来时,我们就需要知道应该如何处理这一堆数据。
-
观测值之间的融合:
首先,我们希望观测值是带有估计误差协方差矩阵的,若观测值是通过子滤波器求解的每个传感器的最优状态估计值,那么它可以带来观测值和估计误差协方差矩阵;若观测值不带误差协方差矩阵,那么可以根据大量实验求解他的每个状态分量与真值间的差值,计算误差协方差矩阵。
当求得误差协方差矩阵后,一切都变得明朗啦!
方法一: 同联邦滤波器在主滤波器中所做的处理,根据估计误差协方差矩阵求解信息量(信息量是误差协方差矩阵的逆),然后,每个(观测值的信息量/总的信息量 * 观测值)求和= 最终的观测值,并且还可以求融合后的误差协方差矩阵 ;
方法二: 按矩阵、按对角矩或着按标量加权求和 = 最终的观测值,也可以求得融合后的误差协方差矩阵;
IDEA:
是不是可以将观测值融合后产生的误差协方差矩阵看做是观测误差协方差矩阵R,因为他本身也代表了量测数据的不确定性,如果可以的话,R值就不是一个固定的值,而是可以随时变化的了。方法三: 按照经验给不同的状态分量赋予不同的权重,计算加权后的观测值(这种方法比较主观,需要非常了解传感器的特性,不需求解各观测值的误差协方差矩阵也不会产生融合后的误差协方差矩阵)。
-
观测值与估计值之间的融合:
方法一: 预测和观测状态融合 ( KF/EKF/UKF… );
方法二: 同联邦滤波器,将观测值与估计值根据各自的误差协方差矩阵融合;(这个方法中,可以是加权融合后的观测值、也可以是未加权的观测值,因为对这两者来说,都带来了误差协方差矩阵,但是对于后者来说,省略了观测值之间的融合步骤);
方法三: 按矩阵、按对角矩或着按标量加权求和 = 最优状态估计值,也可以求得最优状态融合后的误差协方差矩阵。
联邦滤波器的信息量本质上和按矩阵加权、按对角矩阵加权、按标量加权是一致的,都是通过输入信号的误差协方差矩阵为依据,只是前者将误差协方差矩阵通过取反等处理,先化成信息量;后者是直接通过误差协方差矩阵求解权重。据我估计,通过数学计算,加权系数应该是一样的。