Kalman Tracking - Variance de mesure

Question

Je travaille sur le suivi d'objets en mouvement à l'aide d'une caméra orientée vers le bas montée au plafond. Je suis au point où je peux détecter la position de l'objet désiré dans chaque image.

Je cherche à utiliser un filtre de Kalman pour suivre la position et la vitesse de l'objet à travers la scène et j'ai atteint un point d'achoppement. J'ai mis en place mon système et j'ai toutes les parties requises du filtre de Kalman à l'exception de la variance de mesure. Je veux être en mesure d'attribuer une variance significative à chaque mesure pour permettre à la phase de correction d'utiliser les nouvelles informations de manière sensée. J'ai plusieurs mesures assignées à mes objets détectés qui pourraient en théorie être utiles pour déterminer la précision de la position et il semble logique d'essayer de les combiner pour obtenir une variance appropriée. Est-ce que je m'approche de la bonne manière et si oui, quelqu'un peut-il me diriger dans la bonne direction pour continuer?

Toute aide grandement appréciée.

Answer 1

Je pense que vous avez raison. Selon ce post:
Sensor fusioning with Kalman filter
la détermination de la variance est 100% expérimentale. Il me semble que vous avez tout ce dont vous avez besoin pour obtenir de bonnes estimations de la variance.

Answer 2

désolé pour la réponse tardive. J'ai personnellement rencontré le même problème dans mon projet précédent. J'ai trouvé le conseil donné par Gustaf Hendeby dans ses diapositives de conférence Sensor Fusion (Page 10 of the slides) extrêmement précieux.

Pour résumer:

(1) Le SNR de votre bruit de mesure et le bruit de votre processus détermine le comportement de votre filtre. Un bruit de processus élevé/bruit de mesure rend votre filtre plus lent (filtre passe-bas), ce qui permet généralement un suivi plus fluide, et inversement si vous réglez votre bruit de mesure bas, vous avez essentiellement un filtre passe-haut gigue. (2) Il existe de nombreux articles dans la littérature qui traitent de la façon de régler correctement ce modèle de bruit. Cependant, généralement beaucoup de "réglage" est nécessaire dépend de votre application. Habituellement, le bruit de mesure est ce que nous pouvons mesurer/caractériser en fonction de la spécification du matériel. Par conséquent, il est recommandé de fixer "R" (covariance du bruit de mesure) et de régler Q (covariance du bruit du modèle de processus).