Kalman-Filter in der Praxis (Kalman Filter in practice)
Dieser Abschnitt enthält praktische Hinweise zur Implementierung des Kalman-Filters (Kalman Filter):
- Sensorfusion (sensor fusion)
- Variabler Messfehler (variable measurement error)
- Umgang mit fehlenden Messungen (treating missing measurements)
- Umgang mit Ausreißern (treating outliers)
- Initialisierung des Kalman-Filters (Kalman Filter initialization)
- KF-Entwicklungsprozess (KF development process)
Sensorfusion (Sensor fusion)
Viele praktische Systeme sind mit mehreren komplementären und teils austauschbaren Sensoren ausgestattet, die die gleichen Größen messen.
Ein selbstfahrendes Auto verfügt über Light Detection and Ranging (LiDAR) und Radar. LiDAR ist deutlich präziser als Radar. Andererseits misst Radar die Geschwindigkeit mithilfe des Doppler-Effekts (Doppler Effect), und seine effektive Reichweite ist größer – insbesondere bei Regen oder Nebel. Flugzeuge sind für die Navigation mit einem globalen Navigationssatellitensystem (Global Navigation Satellite System, GNSS) und einem Inertialnavigationssystem (Inertial Navigation System, INS) ausgestattet. Viele Überwachungssysteme umfassen mehrere Radare zur Zielverfolgung (target tracking).
Die Verwendung mehrerer Sensoren kann die Genauigkeit der Zustandsschätzung (state estimation) in einem Prozess, der als Sensorfusion (sensor fusion) bezeichnet wird, deutlich verbessern.
Sensorfusion bedeutet, die Messungen mehrerer Sensoren zu kombinieren, sodass die gemeinsame Information eine geringere Unsicherheit aufweist als jeder Sensor für sich.
