Fusão de sensor de GNSS e IMU usando UKF
Eu tenho um robô terrestre com um IMU e um receptor GNSS .
A partir da IMU, obtenho a velocidade e a aceleração em ambos$x$ e $y$ instruções.
Do receptor GNSS, obtenho a latitude e a longitude .
Quero fundir esses dados para obter minha posição exata no campo. Para obter a posição mais precisa, quero usar um Filtro de Kalman sem cheiro (UKF).
No entanto, eu realmente não entendo o conceito de fusão desses dados. A maioria dos livros que encontrei apenas fundiu os dados IMU e os usou junto com os dados GNSS, mas pelo meu entendimento, devo obter uma posição mais precisa quando fundir IMU e GNSS.
Alguém pode me explicar o conceito de fazer isso ou tem uma boa fonte / tutorial?
Isso é para minha tese de bacharelado. Ajuda seria muito apreciada. Obrigado!
Respostas
Como você chegou à conclusão de que precisará de um UKF? Certifique-se de entender a matemática por trás de um Filtro de Kalman primeiro e entender por que você precisaria de um EKF ou UKF em vez de um KF normal. Este artigo descreve a matemática por trás de um Filtro de Kalman usando uma IMU, mas você pode adicionar mais sensores a esta configuração.https://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/
Além disso, em qual plataforma (hardware / software) você planeja implementar seu projeto?
Eu não posso recomendar o pacote robot_localization no ROS o suficiente. Por favor, veja minha resposta a outro post que fiz hoje. Como a fusão de sensores ajuda na localização de robôs . A documentação do pacote é excelente e eu acho que, supondo que você tenha ROS disponível, você pode ter um EKF ou UKF instalado e funcionando em uma semana.
E no que se refere aos autores afirmam em um comentário a outra resposta que o UKF fornece "uma maneira melhor de linearizar as funções não lineares", acho que deveria ficar claro que não é verdade. Um UKF não lineariza nada. Ele apenas pega algumas amostras bem posicionadas (chamadas de pontos sigma) e as passa pelas funções não lineares, calculando aproximações ponderadas para os valores esperados e covariâncias à medida que avança. Não é calcular um Jacobiano e linearizar sobre a média como o EKF faz.