Algoritmo ng pagsasanib ng sensor

Kalman filter

Karaniwan ang filter ng Kalman.

Ang core ng algorithm ay ang magtakda ng set ng "paniniwala" na mga salik para sa bawat sensor. Sa bawat sandali, ang data ng sensor mula sa huling sandali ay gagamitin para sa mga istatistika upang mapabuti ang hula (self-adding), at huhusgahan din ang kalidad ng sensor. Sa paghahambing sa pagitan ng hinulaang halaga at ng nasusukat na halaga ng sensor, isang mahusay na halaga ang matatantya at maglalabas.

Nangangahulugan ito na kung ang isang sensor ay palaging nagbibigay ng mahusay at pare-parehong halaga at magsisimulang magsabi sa iyo ng isang bagay na hindi malamang, bababa ang antas ng kredibilidad ng sensor sa loob ng ilang millisecond hanggang sa magsimula itong magkaroon ng kahulugan muli.

Ito ay mas mahusay kaysa sa simpleng pag-average o pagboto, dahil ang Kalman filter ay maaaring harapin ang sitwasyon na ang karamihan sa mga sensor ay pansamantalang wala sa ayos. Hangga't ang isang tao ay maaaring panatilihin ang magandang dahilan, maaari nitong gawin ang robot sa madilim na sandali.

Ang Kalman filter ay isang aplikasyon ng mas pangkalahatang mga konsepto ng Markov chain at Bayesian na pangangatwiran, na isang mathematical system na paulit-ulit na nagpapahusay sa kanilang mga hula sa pamamagitan ng paggamit ng ebidensya. Ang mga tool na ito ay mga tool na ginagamit upang tulungan ang agham mismo na subukan ang mga ideya (na siyang batayan din ng tinatawag nating "statistical significance").

Samakatuwid, masasabing patula na ang ilang mga sensor fusion system ay nagpapahayag ng kakanyahan ng agham sa bilis na 1000 beses bawat segundo.

Ang mga filter ng Kalman ay ginamit sa mga orbital na istasyon ng mga satellite sa kalawakan sa loob ng mga dekada. Dahil ang mga modernong microcontroller ay maaaring magpatakbo ng algorithm sa real time, sila ay nagiging mas at mas sikat sa robotics.