Nabijheid-Sensing zak pleinen (6 / 8 stap)

Stap 6: Kalman Filter

Interactive-zaak heeft een goede post op de sensorgegevens filteren met de Kalman-Filter en heeft zelfs een bibliotheek al te gaan voor de Arduino.   Voor diegenen die geïnteresseerd zijn in de fundamentele beginselen en een goede introductie tot de Kalman filter lees: http://www.cs.unc.edu/~welch/media/pdf/kalman_intro.pdf

Ik zal ook proberen en het filter hier uitleggen.

Recursief oplossen:
p = p + q;
k = p / (p + r); (winst)
x = x + k * (rssi_data-x);
p = (1-k) * p;

That's it!

Oorspronkelijke voorwaarden:
x = x_o (beste gissing)
p = p_o (geschatte fout)
r = r_o (sensor lawaai)
q = q_o (proces lawaai) waarde tussen 0 en 1

Parameters vetgedrukt stagneren door middel van de simulatie

Dus hoe kies we onze parameters?  Met de parameter keuze is moeilijk en vergt vaak veel masseren.  Als u een idee van hoe we q en r kiezen moeten, laten we eens kijken sommige extreem gedrag:

• Als q veel groter dan r en k is = 1 en x is alleen de gemeten waarde.
• als r echt kleine (heel erg dicht bij 0), dan k = 1 en x is alleen de gemeten waarde

Dit betekent dat q/r of r/q niet te groot of te klein moet en r te klein moet worden.   Nogmaals, zul je masseren de parameter om de gegevens die u wilt.  Heb ik geselecteerd Kalman 3 want het is een goede balans tussen vertragingstijd en filteren van ruis, waar als Kalman 4 filtert het geluid mooi, maar teveel achterblijft op de gegevens.

Eigenlijk, kan de wiskunde/programmering nog eenvoudiger als je ervan uitgaan dat het proces lawaai (q) en het lawaai van de sensor (r) niet na verloop van tijd wijzigen worden gemaakt.  Als u ervan overtuigd bent hebt u de juiste parameters, zal de Kalman winst (k) uiteindelijk stabiliseren één enkele waarde.  U kunt vooraf te berekenen wat die waarde is en het filter te vereenvoudigen:
x = x + k * (rssi_data-x);

Voor degenen die ook geïnteresseerd zijn in Kalman-filters die worden gebruikt voor RSSI data lees: http://www.cs.tut.fi/sgn/arg/heln/Publications/CSCC2001_Helen.pdf