Algoritmo de fusão de sensores

Filtro de Kalman

O filtro de Kalman é típico.

O núcleo do algoritmo é definir um conjunto de fatores de “crença” para cada sensor. A cada momento, os dados do sensor do último momento serão utilizados para estatísticas para melhorar a estimativa (auto-adição), e a qualidade do sensor também será julgada. Na comparação entre o valor previsto e o valor medido do sensor, um valor excelente será estimado e gerado.

Isso significa que se um sensor sempre fornecer um valor bom e consistente e começar a lhe dizer algo improvável, o nível de credibilidade do sensor diminuirá em alguns milissegundos até que ele comece a fazer sentido novamente.

Isso é melhor do que a simples média ou votação, porque o filtro de Kalman pode lidar com a situação em que a maioria dos sensores está temporariamente fora de serviço. Contanto que se mantenha um bom motivo, isso pode fazer o robô superar o momento sombrio.

O filtro de Kalman é uma aplicação de conceitos mais gerais da cadeia de Markov e do raciocínio bayesiano, que é um sistema matemático que melhora iterativamente suas suposições usando evidências. Essas ferramentas são ferramentas usadas para ajudar a própria ciência a testar ideias (que também são a base do que chamamos de “significância estatística”).

Portanto, pode-se dizer poeticamente que alguns sistemas de fusão de sensores expressam a essência da ciência a uma velocidade de 1000 vezes por segundo.

Os filtros de Kalman têm sido usados ​​em estações orbitais de satélites espaciais há décadas. Como os microcontroladores modernos podem executar o algoritmo em tempo real, eles estão se tornando cada vez mais populares na robótica.