传感器滤波:两个传感器滤波

2021/10/31 11:55 · 传感器知识资讯 ·  · 传感器滤波:两个传感器滤波已关闭评论
摘要:

传感器滤波:两个传感器滤波由于要进行数据处理,就利用网络资源总结各种滤波方法以便日后查阅。文章目录一、限幅滤波法二、中位值滤波法三、算术平均滤波法四、中位值平均滤波法(二三结合)五、限幅平均滤波法(一三结合)六、递推平均滤波法七、加权递推平均滤波法(六-改进版)八、消抖滤波法九、一阶滞后滤波法十、卡尔曼滤波十一、其他滤波(

传感器滤波:两个传感器滤波  第1张

传感器滤波:两个传感器滤波

由于要进行数据处理,就利用网络资源总结各种滤波方法以便日后查阅。

文章目录
一、限幅滤波法二、中位值滤波法三、算术平均滤波法四、中位值平均滤波法(二三结合)五、限幅平均滤波法(一三结合)六、递推平均滤波法七、加权递推平均滤波法(六-改进版)八、消抖滤波法九、一阶滞后滤波法十、卡尔曼滤波十一、其他滤波(一)、IIR数字滤波器(Infinite Impulse Response Filter)(二)、FIR数字滤波器(Finite Impulse Response Filter)

一、限幅滤波法
实现步骤:

根据经验法选择最大偏差值E。|value_now - value_before| <= E,value_now有效,否则其无效且将其舍弃,最后令value_now = value_before。 实现程序: 滤波优缺点: 优:可克服偶然误差。 缺:无法抑制周期性干扰;平滑度差。 二、中位值滤波法 实现步骤: 连续采样N次(N为奇数)将其排序(任选一种排序算法)只取中间值 实现程序: 滤波优缺点: 优:可克服偶然误差;对缓慢变化的数据有很好的滤波效果。 缺:不适用于快速变化的数据。 三、算术平均滤波法 实现步骤: 取N个数据求均值 N大 --> 平滑度高,灵敏度低
N小 --> 平滑度低,灵敏度高
通常,流量N=12,压力N=4,液面,N=412,温度N=14
实现程序:

滤波优缺点:
优:适用于对一般具有随机干扰的信号进行滤波,信号会在此平均值附近上下波动。
缺:不适用于测量速度慢或要求数据计算快的实时控制;浪费运行内存。

四、中位值平均滤波法(二三结合)
实现步骤:

采样N个数据并排序去掉数组头和尾(去除最大最小值)计算(N-2)个数的平均数
实现程序:

滤波优缺点:
优:对于偶然出现的脉冲性干扰;可消除由其引起的采样值偏差;对周期干扰有良好的抑制作用;平滑度高;适于高频振荡的系统。
缺:浪费运行内存。

五、限幅平均滤波法(一三结合)
实现步骤:

对数据进行限幅并对有效数据求平均值。
实现程序:

滤波优缺点:
优:限幅+滤波的优点。
缺:浪费运行内存。

六、递推平均滤波法
实现步骤:

将N个数据看做(FIFO)队列,每次采样到的数据替换掉最先进入队列的数据,最后求平均值。
实现程序:

滤波优缺点:
优:对周期性干扰有良好的抑制作用,平滑度高;适用于高频振荡的系统。
缺:灵敏度低;对偶然出现的脉冲性干扰的抑制作用较差;不易消除由于脉冲干扰所引起的采样值偏差; 不适用于脉冲干扰比较严重的场合;浪费运行内存。

七、加权递推平均滤波法(六-改进版)
实现步骤:

越接近现在时刻的数据,权取得越大。(给予新采样值的权系数越大,则灵敏度越高,但信号平滑度越低。)
实现程序:

滤波优缺点:
优:适用于有较大纯滞后时间常数的控制对象;采样周期较短的系统。
缺:对于纯滞后时间常数较小,采样周期较长;变化缓慢的信号不能迅速反应系统当前所受干扰的严重程度,滤波效果差。

八、消抖滤波法
实现步骤:

设置一个滤波计数器。将每次采样值与当前有效值比较:如果采样值==当前有效值,则返回上一个有效值;
如果采样值!=当前有效值,则计数器+1,并判断计数器是否>=上限N(溢出);
如果计数器溢出,则将本次值替换当前有效值,并清计数器。
实现程序:

滤波优缺点:
优:对于变化缓慢的被测参数有较好的滤波效果, 可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动。
缺:对于快速变化的参数不宜; 如果在计数器溢出的那一次采样到的值恰好是干扰值,则会将干扰值当作有效值导入系统。

九、一阶滞后滤波法
实现步骤:

一阶低通滤波法采用本次采样值与上次滤波输出值进行加权,得到有效滤波值,使得输出对输入有反馈作用。
实现程序:

滤波优缺点:
优: 对周期性干扰具有良好的抑制作用;适用于波动频率较高的场合。
缺:相位滞后;灵敏度低;滞后程度取决于a值大小;不能消除滤波频率高于采样频率的1/2的干扰信号。

十、卡尔曼滤波
实现步骤:

通过实时改变协方差来对系统进行修正。
实现程序:

滤波优缺点:
优:能处理传感器噪声和过程噪声等。
缺:当运动目标长时间被遮挡时会存在目标跟踪丢失的情况 。

十一、其他滤波
(一)、IIR数字滤波器(Infinite Impulse Response Filter)
递归滤波器,也就是IIR数字滤波器,顾名思义,具有反馈。

(二)、FIR数字滤波器(Finite Impulse Response Filter)
有限长单位冲激响应滤波器,又称为非递归型滤波器,是数字信号处理系统中最基本的元件,它可以在保证任意幅频特性的同时具有严格的线性相频特性,同时其单位抽样响应是有限长的,因而滤波器是稳定的系统。因此,FIR滤波器在通信、图像处理、模式识别等领域都有着广泛的应用。它具有线性相位、容易设计的优点,但相对于IIR滤波器它需要更多的参数,因此DSP需要更多的计算时间,对DSP的实时性有影响。

从性能上来说,IIR滤波器传递函数包括零点和极点两组可调因素,对极点的惟一限制是在单位圆内。因此可用较低的阶数获得高的选择性,所用的存储单元少,计算量小,效率高。但是这个高效率是以相位的非线性为代价的。选择性越好,则相位非线性越严重。FIR滤波器传递函数的极点固定在原点,是不能动的,它只能靠改变零点位置来改变它的性能。所以要达到高的选择性,必须用较高的阶数;对于同样的滤波器设计指标,FIR滤波器所要求的阶数可能比IIR滤波器高5-10倍,结果,成本较高,信号延时也较大;如果按线性相位要求来说,则IIR滤波器就必须加全通网络进行相位校正,同样要大大增加滤波器的阶数和复杂性。而FIR滤波器却可以得到严格的线性相位。

从结构上看,IIR滤波器必须采用递归结构来配置极点,并保证极点位置在单位圆内。由于有限字长效应,运算过程中将对系数进行舍入处理,引起极点的偏移。这种情况有时会造成稳定性问题,甚至产生寄生振荡。相反,FIR滤波器只要采用非递归结构,不论在理论上还是在实际的有限精度运算中都不存在稳定性问题,因此造成的频率特性误差也较小。此外FIR滤波器可以采用快速傅里叶变换算法,在相同阶数的条件下,运算速度可以快得多。

另外,也应看到,IIR滤波器虽然设计简单,但主要是用于设计具有分段常数特性的滤波器,如低通、高通、带通及带阻等,往往脱离不了模拟滤波器的格局。而FIR滤波器则要灵活得多,尤其是他易于适应某些特殊应用,如构成数字微分器或希尔波特变换器等,因而有更大的适应性和广阔的应用领域。

从上面的简单比较可以看到IIR与FIR滤波器各有所长,所以在实际应用时应该从多方面考虑来加以选择。从使用要求上来看,在对相位要求不敏感的场合,如语言通信等,选用IIR较为合适,这样可以充分发挥其经济高效的特点;对于图像信号处理,数据传输等以波形携带信息的系统,则对线性相位要求较高。如果有条件,采用FIR滤波器较好。当然,在实际应用中可能还要考虑更多方面的因素。

2,不论IIR和FIR,阶数越高,信号延迟越大;同时在IIR滤波器中,阶数越高,系数的精度要求越高,否则很容易造成有限字长的误差使极点移到单位园外。因此在阶数选择上是综合考虑的。

参考网址:
十大滤波算法程序大全(Arduino精编无错版)
How a Kalman filter works, in pictures
IIR滤波器和FIR滤波器的区别与联系zz
IIR与FIR滤波器的比较和区别
传感器滤波:两个传感器滤波  第2张

传感器滤波:传感器数据滤波算法

嵌入式应用中,系统获取的传感器数据通常不能够直接供应用使用(存在噪声干扰:低频噪声或高频噪声),一般通过一种或者多种滤波算法结合,对原始数据进行滤波处理,在保证滤波后数据实时性要求的前提下(过度的数据滤波可能会影响系统的实时响应),获取相对稳定无噪声的数据用于实际的应用系统。

滤除噪声数据,最常见的方法是使用平均滤波:多次数据相加求和。但不同的滤波算法有着不同的特性,适用于不同的应用场景,根据应用特性,需要选择合适的滤波算法及其组合方式。

1、限幅滤波
限幅滤波算法,通常用于滤除原始数据中的异常数据,或系统认为的异常数据。限幅滤波算法,最直接的效果是减小滤波后输出数据的最大差值。代码实现如下:

2、平均滤波
平均滤波,取一定数量的原始数据,进行累加后取平均,从而获取较稳定的输出数据,主要滤除原始数据中的高频噪声。代码实现如下:

3、中值滤波
中值滤波,在一组数据中(通常长度为奇数),挑出中间值作为滤波后数据输出。与限幅滤波相似,中值滤波可以减小滤波后输出数据的最大差值。与限幅滤波不同的是:限幅滤波只能使用设定的绝对值减小输出值最大偏差,而中值滤波是根据原始数据的变换,动态的滤除输出数据的最大偏差。

注:该函数希望不对输入数据的顺序及参数做任何调整,因此使用查找最小值的方法,依次查到最小值直到查找到中间值。

*滑动滤波
对于平均滤波和中值滤波,需要选取一组数据进行处理后输出一个有效数据,对应用系统来说,获取一个有效数据的时间讲大大加长。而滑动滤波,将连续的原始数据存放在队列,新增数据从队列尾加入,旧数据从队列尾移除,从而实现每一个原始数据,都可以滤波处理获取一个有效数据。滑动方式的平均滤波和中值滤波,又称滑动平均滤波和滑动中值滤波。
滑动滤波算法实现时,可以使用环形数据直接覆盖旧数据的形式实现,不需要移动数据。

4、IIR滤波
IIR滤波的理论原理就不展开了,IIR滤波主要滤掉原始数据中的毛刺噪声数据。需要注意的是,IIR滤波的输出参考了上次滤波数据,因此IIR的滤波阶数越高,滤掉毛刺噪声的能力越强,但对应的数据实时性会变差。代码实现如下:

5、抖动滤波
在原始数据处于微小抖动了,为了实现滤波数据跟随,同时又不受微小抖动而波动,通常会实现抖动滤波。抖动滤波简单的说,就是当前依次原始数据,与上次滤波后的数据的差值,超过某一限定,才调整滤波输出数据,从而滤波原始数据中存在的微小抖动信号。
抖动滤波一般放在其他滤波方法之后使用,进一步稳定滤波后的数据。代码实现如下:

传感器滤波:两个传感器滤波  第3张

传感器滤波:传感器滤波处理和算法

在空调控制系统中,需要获取车外温度的值进行计算,如果直接使用车外温度传感器的值,在汽车冷启动时,升温变化速率是非线性的,会产生比较多的噪音,所以我们需要对传感器反馈的车外温度进行滤波,得到一个相对平滑的温度上升或下降的过程。
1.传感器滤波处理
从主机厂处确认获取到的传感器数值类型
(1)AD(A:模拟信号,D:数字信号)值,即原始值,拿到的信号是一个从模拟信号转换为数字信号的值(0~4096),而我们拿到的表通常是物理量的表,所以还需要将数字信号和物理量的值对应起来。例如:

我们需要通过查表得到压力,在图中输入的是电压值,而传感器给给我们的输入是数值信号量,需要进行如下线性计算。

(2)直接从LIN通信处获取的值,可以直接进行滤波处理,不需要查表
2.传感器算法
(1)无反馈值限幅滤波的方法
(2)有反馈值的限幅滤波算法
(上次值+下降幅度)<本次值<(上次值-上升限幅) ,则本次值有效,否则输出(上次值+下降幅度)或(上次值-上升限幅) (3)一阶滤波 滤波结果=a*本次采样值+(1-a)*上次滤波结果,其中,a为0~1之间的数

传感器滤波:滤波算法与传感器融合

卡尔曼滤波

卡尔曼滤波主要是采用预测和更新两个过程。

预测过程主要是根据机器人运动模型,对机器人的下一个位置进行预测,其中P代表系统误差。系统误差是在更新的。例如传感器测量误差Q非常大,这样导致卡尔曼增益K值变小,这样测量值对于预测值的修正作用就会降低,因为测量值没有对预测值起到足够的修正作用,这也就导致系统误差在累计增加。同样,如果传感器足够精确,对预测量起到有效的修正,这是的系统误差就会降低。

?

拓展卡尔曼滤波主要是为了解决预测方程和测量方程可能不是线性方程,如果是非线性方程,只能使用泰勒公式进行求导

?

?

预测值其实是一个先验概率,测量值为后验概率,通过后验概率估计和确定机器人的实际位置。

?

多个传感器的融合过程其实是每个测量值与系统模型预测值进行融合,融合结果形成新的系统模型预测值,所有导航子系统各进行一次拓展卡尔曼滤波过程,则整个组合导航系统完成一次组合导航系统,系统模型的最新预测值即为整个组合导航系统的输出的最优估计结果。

上边写的是一种传感器进行串行卡尔曼融合的算法,还有一种是分多个局部卡尔曼滤波,然后通过对协方差矩阵进行简单融合,达到融合效果。

?

?

?

?

?

粒子滤波

?

粒子滤波算法的核心思想是利用一系列随机样本的加权和近似后验概率密度函数,通过求和来近似积分操作。该算法源于Monte Carlo思想,即以某事件出现的频率来指代该事件的概率。因此在滤波过程中,需要用到概率的地方,一概对变量采样,以大量采样及其相应的权值来近似表示概率密度函数。

1)预测阶段:粒子滤波首先根据状态转移函数预测生成大量的采样,这些采样就称之为粒子,利用这些粒子的加权和来逼近后验概率密度。

2)校正阶段:随着观测值的依次到达,为每个粒子计算相应的重要性权值。这个权值代表了预测的位姿取第个粒子时获得观测的概率。如此这般下来,对所有粒子都进行这样一个评价,越有可能获得观测的粒子,获得的权重越高。

3)重采样阶段:根据权值的比例重新分布采样粒子。由于近似逼近连续分布的粒子数量有限,因此这个步骤非常重要。下一轮滤波中,再将重采样过后的粒子集输入到状态转移方程中,就能够获得新的预测粒子了。

4)地图估计:对于每个采样的粒子,通过其采样的轨迹与观测计算出相应的地图估计。

?

粒子滤波用于AMCL定位过程

主要是在评分权重部分,粒子的评分权重是通过ICP进行地图匹配。一个简单的评分标准是,检查scan与地图的匹配程度,占据+占据是5分,占据+空闲是负分,空闲对空闲是1分。这样就会建立一个简单的评分标准,找到与地图匹配程度最高的粒子。

对于2D地图而言,地图特征区别度可能不高,会导致粒子滤波陷入局部最优解,这也是一种“机器人绑架”问题。为了解决机器人问题,可以通过提供一个在正确位置附近的先验过程,这样可以防止陷入局部最优解。

?

对于Gmapping中的粒子滤波建图,这个过程发生部分变化,主要是评分权重部分的区别。同样还是进行粒子采样。这个过程自己还不是很清晰。明天可能得主要解决一下这方面的问题了

?

粒子滤波器受限于空间维度,高斯类算法状态估计问题的维度还在线性和二次方之间,而粒子滤波器则是指数级的。 直接将粒子滤波器应用于SLAM问题注定会因为描述地图时所需的大量变量而失效。

在已知关联度的完全SLAM问题中,给定机器人位姿,在地图中任意两个不相交的特征集合之间, 存在着条件独立性。

如果可以得到机器人的真实路径,就可以不依赖于其他特征而直接估计所有特征位置。

?

这里的思想其实是一种采用贝叶斯后验概率的思想将机器人的定位与过程进行拆分的过程。

定位问题采用粒子滤波方法解决

地图创建问题采用扩展卡尔曼滤波方法解决

?

换句话说,如果有条神谕告诉我们真正的机器人路径,我们就可以不依赖于其它特征。 这一结构性的观察,将使得我们有可能使用一种称为Rao-Blackwellized particle filter(简称为RB滤波器)的粒子滤波器来解决SLAM问题。

RB滤波器使用粒子集合来表示一些变量的后验概率, 同时用高斯或者其它参数化的概率密度来表示剩下的所有变量。

FastSLAM的流程是:

1.接收里程计信息,根据里程计误差模型产生若干粒子。

2.在每个时间周期对粒子的权值进行评估,评估的标准是与激光信息的契合程度,可以通过ICP方法来判定。

3.根据上一轮产生的带权值粒子进行权值更新与重采样,重采样是根据实际分布与建议分布之商来决定的。

4.取权值最大的粒子集合的平均值作为本轮的粒子先验,再利用激光信息更新地图。

?

?

?

?

卡尔曼滤波与粒子滤波进行比较

卡尔曼滤波与粒子滤波的模型其实是一样的

测量模型:z_t=h(x_t, v_t);

预测模型:x_t=f(x_(t-1),w_t);

粒子滤波与卡尔曼滤波的区别在于在于,卡尔曼滤波假设后验概率分布P(x_t| z_t)不再是高斯分布(高斯分布式一种单峰概率分布)。也就是卡尔曼滤波的模型必须符合高斯分布。

对于后验概率的后验条件可能有多种的情况,也就是多峰概率问题。只能是用蒙特卡洛的思想去近似得到概率密度分布函数。通过状态粒子来表示来表示,状态粒子的分布情况即是整个概率密度分布函数。

同时使用非参估计模拟任何一点的概率,这个操作过程是对所有粒子进行进行权重计算,通过归一化出来确定每一点的概率。通过确定后验概率的期望即是最后的滤波结果。

?

蒙特卡洛的思想主要应用于粒子滤波采样过程,一开始是均布,后根据概率弥补分布不同进行收敛。

?

多峰概率问题粒子:

形象一些说, 如果你发烧了,那你既有可能是嗓子发炎了,也有可能是身体其他部分发炎了,甚至有可能产生肿瘤了。那对于发烧这个现象的原因的条件概率,就会有多个峰值。

?

?

?

您可能感兴趣的文章

本文地址:https://www.ceomba.cn/787.html
文章标签: ,  
版权声明:本文为原创文章,版权归 ceomba 所有,欢迎分享本文,转载请保留出处!

文件下载

老薛主机终身7折优惠码boke112

上一篇:
下一篇:

评论已关闭!