拓展卡尔曼滤波.pdf

为了校正这种误差,我们通常会引入额外的传感器信息。例如,对上图来说,引入GPS定位信息就是一个不错的选择。这时又出现了问题:速度积分和GPS传感器包含有位置信息,那我们究竟该采信哪边的结果呢?如果两边的信息都不想浪费,该怎么把它们进行融合呢?实际上,无论是速度积分得到的位置信息,还是GPS得到的位置信息,都存在一定的误差(GPS也存在定位精度的问题)。而在机器人的实际应用场景中,可能还存在红外、激光、视觉等更多类型的传感器,都可以以一定精度返回机器人的位置信息。那么我们该如何综合利用这些信息(传感器信息融合)来估计机器人当前的位置信息呢,这里就要用到卡尔曼滤波了。