Тобто, якщо у вас є положення змінних стану ( p ) і швидкості ( v ), і я роблю низькочастотні вимірювання p , це також опосередковано дає мені інформацію про v (оскільки це похідна p ). Який найкращий спосіб вирішити такі відносини?
A) На кроці оновлення я повинен лише сказати, що я виміряв p і покладаюся на процес фільтрації та мою накопичену матрицю коваріації стану ( P ) для виправлення v ?
B) Чи повинен я створити "додатковий" крок передбачення, або після мого кроку оновлення для вимірювання p , який використовує мірний p і (відносно великий) дельта-час, щоб зробити прогноз високої дисперсії v ?
C) На своєму кроці оновлення / вимірювання я повинен сказати, що я здійснив вимірювання як p, так і v , а потім якось кодувати інформацію про їх взаємозалежність у матриці ко-дисперсії вимірювання ( R )?
Щоб отримати докладнішу інформацію, ось конкретна ситуація, в якій я зіткнувся з проблемою:
Я працюю з системою, де я хочу оцінити положення ( p ) об'єкта, і я часто проводжу вимірювання прискорення ( a ) та нечасті, високошумні вимірювання p .
Зараз я працюю з кодовою базою даних, яка робить це з розширеним фільтром Kalman, де він зберігається як змінні стану p і v . Він виконує крок "передбачення" після кожного вимірювання прискорення, в якому використовує вимірюваний а та дельта-час для інтеграції та прогнозування нових p і v . Потім виконується крок "оновлення" / "вимірювання" для кожного (нечастого) вимірювання p .
Проблема полягає в цьому - я отримую періодичні вимірювання високої помилки a , які призводять до сильно помилкових v . Очевидно, що подальше вимірювання А ніколи цього не виправить, але вимірювання р повинні позбутися цього. І насправді це, здається, відбувається ... але ДУЖЕ повільно.
Я думав, що це може бути частково, тому що єдиний спосіб p впливає на v в цій системі через коваріаційну матрицю P - тобто метод A) зверху - що здається досить опосередкованим. Мені було цікаво, чи не буде кращого способу включити наші знання про цю залежність між p і v в модель, щоб вимірювання p виправили v швидше.
Спасибі!