Quel comportement dois-je attendre de la covariance étendue de KALMAN FILTER?

J'ai un paramètre de filtre kalman étendu, qui converge assez bien vers la valeur de référence. Cependant, si je vérifie la matrice de covariance, je ne peux pas voir une tendance rapide à une certaine valeur des éléments diagonaux (3x3), ce qui est réellement ce que j'attendais.Quel comportement dois-je attendre de la covariance étendue de KALMAN FILTER?

Comment la matrice de covariance devrait-elle se comporter? Quelqu'un peut-il me donner un indice à ce sujet?

Source

2017-06-09 J. D. Hanson

Les éléments diagonaux augmenteront dans l'étape de prédiction/propagation par le bruit de processus qui y est appliqué. Dans l'étape de mesure/correction, les éléments diagonaux devraient descendre. Si ce n'est pas le cas, le bruit de mesure est trop important ou le bruit de bruit est trop important. Dans ce cas, le bruit ajouté dans l'étape de prédiction augmente la covariance plus que les mesures ne les réduisent. À un moment donné, il y aura un équilibre entre les deux.

Bien sûr, votre modèle ou la mise en œuvre pourrait aussi se tromper ....

Source

2017-06-12 08:25:08 hvdm

Ce qui voudrait dire que Q doit être un peu plus petite que la réduction du processus d'innovation? –

Y at-il un point d'arrêt jusqu'à ce que je puisse augmenter Q tout en gardant P convergent? –

Dans tous les cas sauf les plus simples, ce n'est pas complètement vrai. La variance d'un état n'augmente pas seulement par Q, mais aussi par la propagation des variances des autres états. Exemple: une position et une vitesse d'estimation du filtre à 2 états (x, v). Le x suivant est calculé par x + v * dt La variance de la position augmentera non seulement par Q_x, mais aussi par la variance de v. – hvdm

Quel comportement dois-je attendre de la covariance étendue de KALMAN FILTER?

Répondre

Questions connexes