Sensorfusion von GNSS und IMU mit UKF

Question

Ich habe einen landgestützten Roboter mit einer IMU und einem GNSS- Empfänger.

• Von der IMU bekomme ich die Geschwindigkeit und Beschleunigung in beiden$x$ und $y$ Richtungen.

• Vom GNSS-Empfänger erhalte ich den Breiten- und Längengrad .

Ich möchte diese Daten zusammenführen, um meine genaue Position auf dem Feld zu erhalten. Um die genaueste Position zu erhalten, möchte ich einen unscented Kalman Filter (UKF) verwenden.

Ich verstehe das Konzept der Verschmelzung dieser Daten jedoch nicht wirklich. Die meisten Bücher, die ich gefunden habe, haben nur die IMU-Daten zusammengeführt und zusammen mit den GNSS-Daten verwendet, aber nach meinem Verständnis sollte ich eine genauere Position erhalten, wenn ich IMU und GNSS zusammenführe.

Kann mir jemand das Konzept erklären oder hat er eine gute Quelle / ein gutes Tutorial?

Dies ist für meine Bachelorarbeit. Hilfe wäre sehr dankbar. Vielen Dank!

Answer 1

Wie sind Sie zu dem Schluss gekommen, dass Sie eine UKF benötigen? Stellen Sie sicher, dass Sie zuerst die Mathematik hinter einem Kalman-Filter verstehen und verstehen, warum Sie einen EKF oder UKF gegenüber einem normalen KF benötigen würden. Dieser Artikel beschreibt die Mathematik hinter einem Kalman-Filter mit einer IMU. Sie können diesem Setup jedoch weitere Sensoren hinzufügen.https://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/

Auf welcher Plattform (Hardware / Software) möchten Sie Ihr Projekt implementieren?

Answer 2

Ich kann das robot_localization-Paket in ROS nicht genug empfehlen. Bitte beachten Sie meine Antwort auf einen anderen Beitrag habe ich heute gemacht Wie funktioniert Sensor - Fusion - Hilfe in Roboter Lokalisierung . Die Dokumentation für das Paket ist hervorragend und ich denke, vorausgesetzt, Sie haben ROS verfügbar, können Sie in einer Woche eine EKF oder UKF in Betrieb nehmen.

Und da die Autoren in einem Kommentar zu einer anderen Antwort behaupten, dass die UKF "eine bessere Möglichkeit zur Linearisierung der nichtlinearen Funktionen" bietet, sollte klar sein, dass dies nicht der Fall ist. Ein UKF linearisiert nichts. Es werden nur einige gut platzierte Stichproben (sogenannte Sigma-Punkte) ausgewählt und durch die nichtlinearen Funktionen geleitet, wobei gewichtete Annäherungen an die erwarteten Werte und Kovarianzen berechnet werden. Es wird kein Jacobi berechnet und der Mittelwert linearisiert, wie es der EKF tut.