Kalman Filter - Fusion двух одинаковых датчиков

Question

Я заинтересован во внедрении фильтра Калмана в Python. Во-первых, я запрограммировал очень простую версию K-фильтра - только одно состояние (позиция в направлении Y). Моя матрица перехода состояний выглядит следующим образом:

X <- X + v * t 

с константами v и t.

Я моделирую измерение с помощью простой линейной функции

y = mx + b

и добавляю шум на это:

y1 = np.random.normal(y, sigma, Nsamples).

Это работает довольно хорошо, я могу переопределить R и Q, чтобы изменить значение измерения и шума процесса (До сих пор это не матрица).

Сейчас У меня есть идея ...

Что произойдет, если у меня будет второе измерение?

    y2 = np.random.normal(y, sigma2, Nsamples)

Как я могу справиться с этим? Должен ли я выполнять предварительные измерения, например:

(y1 + y2) / 2

или есть более подходящий метод / решение, в котором используется фильтр Калмана?

Answer 1

Существует множество способов обработки результатов нескольких измерений с использованием фильтра Калмана. Одним из способов сделать это было бы последовательное обновление фильтра Калмана новыми измерениями.

См. Слайды пионера синтеза сенсоров Хью Дарранта-Уайта, найденные в в этом ответе , для нескольких способов как данные датчика предохранителя.