CN113076826A - 一种传感器的滤波方法和装置 - Google Patents

一种传感器的滤波方法和装置 Download PDF

Info

Publication number
CN113076826A
CN113076826A CN202110297311.9A CN202110297311A CN113076826A CN 113076826 A CN113076826 A CN 113076826A CN 202110297311 A CN202110297311 A CN 202110297311A CN 113076826 A CN113076826 A CN 113076826A
Authority
CN
China
Prior art keywords
kalman
filtering
determining
adjustment factor
system noise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110297311.9A
Other languages
English (en)
Other versions
CN113076826B (zh
Inventor
赵永正
苏阳
李弼超
陈集辉
张超昱
赵季楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Autopilot Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Xiaopeng Autopilot Technology Co Ltd filed Critical Guangzhou Xiaopeng Autopilot Technology Co Ltd
Priority to CN202110297311.9A priority Critical patent/CN113076826B/zh
Publication of CN113076826A publication Critical patent/CN113076826A/zh
Application granted granted Critical
Publication of CN113076826B publication Critical patent/CN113076826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Gyroscopes (AREA)

Abstract

本发明实施例提供了一种传感器的滤波方法和装置，所述方法包括：在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个新息协方差；采用预设低通滤波器对多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；根据目标新息协方差，确定卡尔曼自适应调节因子；根据卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；根据目标卡尔曼滤波增益，进行下一次迭代得到估计结果。本发明实施例中，通过使用低通滤波器来优化卡尔曼自适应调节因子的计算过程，可以节省所需的内存资源和计算资源，更加简洁高效。

Description

一种传感器的滤波方法和装置
技术领域
本发明涉及信号处理技术领域，特别是涉及一种传感器的滤波方法和一种传感器的滤波装置。
背景技术
传感器被部署用于采集所需的信号，当传感器存在噪声的时候，为了保证信号的精确性和稳定性，可以选择卡尔曼滤波器进行滤波。
卡尔曼滤波的方式包括多种，其中自适应卡尔曼滤波的方式，可以基于量测噪声矩阵R和系统噪声矩阵Q来调整卡尔曼滤波增益K。对采集单一信号的传感器使用卡尔曼滤波器进行滤波时，量测噪声矩阵R是确定的，系统噪声矩阵Q是无法准确确定的，因此Q矩阵的选择直接影响滤波效果，所以自适应卡尔曼滤波是更好的选择。然而目前的自适应卡尔曼滤波存在参数复杂、计算复杂的问题。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种传感器的滤波方法和相应的一种传感器的滤波装置。
本发明实施例公开了一种传感器的滤波方法，所述方法包括：
在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个新息协方差；
采用预设低通滤波器对所述多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；
根据所述目标新息协方差，确定卡尔曼自适应调节因子；所述卡尔曼自适应调节因子为新息协方差的计算值与估计值的比值；
根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；
根据所述目标卡尔曼滤波增益，进行下一次迭代得到估计结果。
可选地，所述根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益，包括：
根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差：
根据调整后的下一次迭代的系统噪声方差，确定下一次迭代的目标卡尔曼滤波增益。
可选地，所述根据所述目标新息协方差，确定卡尔曼自适应调节因子，包括：
计算所述目标新息协方差的平均值
Figure BDA0002984834110000021
按照如下公式确定卡尔曼自适应调节因子α：
Figure BDA0002984834110000022
其中，Rk为量测噪声协方差矩阵，Hk为量测矩阵，
Figure BDA0002984834110000023
为状态协方差矩阵。
可选地，所述根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差，包括：
获取上一次迭代估计的系统噪声方差Qk-1；
根据预设关系式
Figure BDA0002984834110000024
所述卡尔曼自适应调节因子和所述上一次迭代估计的系统噪声方差Qk1，确定系统噪声方差的估计值
Figure BDA0002984834110000025
将所述系统噪声方差的估计值
Figure BDA0002984834110000026
作为所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
本发明实施例还公开了一种传感器的滤波装置，所述装置包括：
新息协方差获取模块，用于在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个新息协方差；
新息协方差过滤模块，用于采用预设低通滤波器对所述多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；
调节因子确定模块，用于根据所述目标新息协方差，确定卡尔曼自适应调节因子；所述卡尔曼自适应调节因子为新息协方差的计算值与估计值的比值；
增益确定模块，用于根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；
迭代滤波模块，用于根据所述目标卡尔曼滤波增益，进行下一次迭代得到估计结果。
可选地，所述增益确定模块包括：
系统噪声方差确定子模块，用于根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差：
目标增益确定子模块，用于根据调整后的下一次迭代的系统噪声方差，确定下一次迭代的目标卡尔曼滤波增益。
可选地，所述调节因子确定模块包括：
新息协方差均值计算子模块，用于计算所述目标新息协方差的平均值
Figure BDA0002984834110000031
调节因子确定子模块，用于按照如下公式确定卡尔曼自适应调节因子α：
Figure BDA0002984834110000032
其中，Rk为量测噪声协方差矩阵，Hk为量测矩阵，
Figure BDA0002984834110000033
为状态协方差矩阵。
可选地，所述系统噪声方差确定子模块包括：
在先系统噪声方差获取子模块，用于获取上一次迭代估计的系统噪声方差Qk-1；
系统噪声方差估计值确定子模块，用于根据预设关系式
Figure BDA0002984834110000034
所述卡尔曼自适应调节因子和所述上一次迭代估计的系统噪声方差Qk-1，确定系统噪声方差的估计值
Figure BDA0002984834110000035
目标系统噪声方差确定子模块，用于将所述系统噪声方差的估计值
Figure BDA0002984834110000036
作为所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
本发明实施例还公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的一种传感器的滤波方法的步骤。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种传感器的滤波方法的步骤。
本发明实施例包括以下优点：
在本发明实施例中，在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，可以获取在先多次迭代的多个新息协方差；采用预设低通滤波器对多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；根据目标新息协方差，确定卡尔曼自适应调节因子；根据卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；根据目标卡尔曼滤波增益，进行下一次迭代得到估计结果。本发明实施例中，通过使用低通滤波器来优化卡尔曼自适应调节因子的计算过程，可以节省所需的内存资源和计算资源，更加简洁高效。
附图说明
图1是本发明实施例提供的一种传感器的滤波方法的步骤流程图；
图2是本发明实施例提供的一种传感器的滤波装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，示出了本发明实施例提供的一种传感器的滤波方法的步骤流程图，所述方法具体可以包括如下步骤：
步骤101，在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个新息协方差。
在本发明实施例中，在传感器所在的设备中，可以设置有卡尔曼滤波器模块对传感器进行滤波。卡尔曼滤波是一个迭代滤波的过程，每一次迭代都可以根据在先迭代的参数，都得到一个估计结果。
对于用于采集运动量(位置、速度、加速度)等单一信号的传感器，可以使用自适应卡尔曼滤波。自适应卡尔曼滤波是指在滤波过程中，不断根据环境参数修正卡尔曼滤波器的参数，从而保证滤波器的优良性能，使得卡尔曼滤波器不断适应环境。
卡尔曼滤波的系统状态方程为：Xk＝Φk-1Xk-1+Wk-1，其中Xk为k时刻状态估计值，Xk-1为k-1时刻状态估计值，Φk-1为k-1时刻到k时刻的状态转移矩阵；Wk-1为系统噪声序列。
卡尔曼滤波器的量测方程为：ZK＝HKXk+Vk，其中ZK为量测向量，HK为量测矩阵，Vk为量测噪声序列。
卡尔曼滤波器的更新方程包括：
Figure BDA0002984834110000051
其中，
Figure BDA0002984834110000052
为k时刻的状态估计值，
Figure BDA0002984834110000053
为k-1时刻的状态估计值。
Figure BDA0002984834110000054
其中
Figure BDA0002984834110000055
为k时刻的状态协方差矩阵，Qk-1为k-1时刻的系统噪声矩阵，
Figure BDA0002984834110000056
为k-1时刻的状态协方差矩阵。
Figure BDA0002984834110000057
其中，Kk为k时刻的卡尔曼滤波增益矩阵；Rk为k时刻量测噪声协方差矩阵。
Figure BDA0002984834110000058
Figure BDA0002984834110000059
卡尔曼滤波器的新息是指量测值减去估计值，可以用来衡量卡尔曼滤波器的滤波性能。
Figure BDA00029848341100000510
其中，dk为新息，即量测向量ZK减去估计值
Figure BDA00029848341100000511
进一步推导得到新息的协方差为
Figure BDA00029848341100000512
当滤波情况最优时，新息协方差的计算值应与新息协方差的估计值C(k)相等，即
Figure BDA00029848341100000513
根据该式可以知道状态协方差矩阵
Figure BDA00029848341100000514
或量测噪声矩阵Rk不准确会导致等号不成立，而量测噪声矩阵Rk可以认为是准确的，因此等号的不成立可以认为是由于状态协方差矩阵
Figure BDA00029848341100000515
的不准确引起。状态协方差矩阵
Figure BDA00029848341100000516
对该公式的影响程度可以用卡尔曼自适应调节因子α表示：
Figure BDA00029848341100000517
其中，trace()表示求解括号内矩阵的迹。卡尔曼自适应调节因子α可以表示新息协方差的计算值应与新息协方差的估计值的比值，直接将α作为自适应因子对
Figure BDA0002984834110000061
进行调整会影响滤波的平滑和参数的连贯性。
Figure BDA0002984834110000062
的不准确主要受系统噪声方差矩阵Q的影响，当系统噪声方差矩阵Q先验值不准确或状态模型出现误差时，
Figure BDA0002984834110000063
会呈现与Q相同趋势的误差变化。故可利用α对系统噪声方差阵Q进行调整，从而间接实现对
Figure BDA0002984834110000064
的调整，从而对卡尔曼滤波增益进行调整。
步骤102，采用预设低通滤波器对所述多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差。
在自适应因子α的计算过程中，新息协方差的计算值可以按照
Figure BDA0002984834110000065
来计算，通常使用滑窗法来计算，其中m为滑动窗口的长度，利用滑窗法来计算新息协方差的计算值实质上是截取了新近一段长度为N的新息协方差序列，并对其进行算数平均。在实际中滑动窗口通常需要超过一定数值(如100)才比较稳定。卡尔曼滤波器模块通常使用嵌入式C语言来编写，而如果使用滑窗法来计算则会占用较多的内存资源和计算资源。因此在本发明实施例中，可以使用低通滤波器来筛选在先的新息协方差。
低通滤波器占用内存资源和计算资源可以忽略，并且可以设置其截止频率来调节其根据外界变化的灵敏度。低通滤波器的代替使其更加简洁高效，适宜在嵌入式设备中布置。
滤波条件可以针对不同的传感器对应设置，例如对应陀螺仪、里程计等传感器可以分别设置对应的滤波条件。
步骤103，根据所述目标新息协方差，确定卡尔曼自适应调节因子；所述卡尔曼自适应调节因子为新息协方差的计算值与估计值的比值。
在本发明实施例中，所述步骤103可以包括如下子步骤：
子步骤S11，计算所述目标新息协方差的平均值
Figure BDA0002984834110000066
子步骤S12，按照如下公式确定卡尔曼自适应调节因子α：
Figure BDA0002984834110000067
其中，Rk为量测噪声协方差矩阵，Hk为量测矩阵，
Figure BDA0002984834110000068
为状态协方差矩阵。
步骤104，根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益。
通过调整卡尔曼自适应调节因子α可以调整系统噪声矩阵Q，根据
Figure BDA0002984834110000069
可知，调整系统噪声矩阵Q可以调整状态协方差矩阵
Figure BDA00029848341100000610
根据
Figure BDA0002984834110000071
可知，调整状态协方差矩阵
Figure BDA0002984834110000072
可以调整下一次迭代的目标卡尔曼滤波增益Kk。
在本发明实施例中，所述步骤104可以包括如下子步骤：
子步骤S21，根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
在本发明实施例中，所述根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差，可以进一步包括：
子步骤S211，获取上一次迭代估计的系统噪声方差Qk-1；
子步骤S212，根据预设关系式
Figure BDA0002984834110000073
所述卡尔曼自适应调节因子和所述上一次迭代估计的系统噪声方差Qk-1，确定系统噪声方差的估计值
Figure BDA0002984834110000074
子步骤S213，将所述系统噪声方差的估计值
Figure BDA0002984834110000075
作为所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
子步骤S22，根据调整后的下一次迭代的系统噪声方差，确定下一次迭代的目标卡尔曼滤波增益。
步骤105，根据所述目标卡尔曼滤波增益，进行下一次迭代得到估计结果。
每一次迭代都可以使用调整的目标卡尔曼滤波增益进行滤波，从而保证滤波效果。
在本发明实施例中，在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，可以获取在先多次迭代的多个新息协方差；采用预设低通滤波器对多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；根据目标新息协方差，确定卡尔曼自适应调节因子；根据卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；根据目标卡尔曼滤波增益，进行下一次迭代得到估计结果。本发明实施例中，通过使用低通滤波器来优化卡尔曼自适应调节因子的计算过程，可以节省所需的内存资源和计算资源，更加简洁高效。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图2，示出了本发明实施例提供的一种传感器的滤波装置的结构框图，具体可以包括如下模块：
新息协方差获取模块201，用于在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个新息协方差；
新息协方差过滤模块202，用于采用预设低通滤波器对所述多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；
调节因子确定模块203，用于根据所述目标新息协方差，确定卡尔曼自适应调节因子；所述卡尔曼自适应调节因子为新息协方差的计算值与估计值的比值；
增益确定模块204，用于根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；
迭代滤波模块205，用于根据所述目标卡尔曼滤波增益，进行下一次迭代得到估计结果。
在本发明实施例中，所述增益确定模块204可以包括：
系统噪声方差确定子模块，用于根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差：
目标增益确定子模块，用于根据调整后的下一次迭代的系统噪声方差，确定下一次迭代的目标卡尔曼滤波增益。
在本发明实施例中，所述调节因子确定模块203可以包括：
新息协方差均值计算子模块，用于计算所述目标新息协方差的平均值
Figure BDA0002984834110000081
调节因子确定子模块，用于按照如下公式确定卡尔曼自适应调节因子α：
Figure BDA0002984834110000082
其中，Rk为量测噪声协方差矩阵，Hk为量测矩阵，
Figure BDA0002984834110000091
为状态协方差矩阵。
在本发明实施例中，所述系统噪声方差确定子模块可以包括：
在先系统噪声方差获取子模块，用于获取上一次迭代估计的系统噪声方差Qk-1；
系统噪声方差估计值确定子模块，用于根据预设关系式
Figure BDA0002984834110000092
所述卡尔曼自适应调节因子和所述上一次迭代估计的系统噪声方差Qk-1，确定系统噪声方差的估计值
Figure BDA0002984834110000093
目标系统噪声方差确定子模块，用于将所述系统噪声方差的估计值
Figure BDA0002984834110000094
作为所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
在本发明实施例中，在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，可以获取在先多次迭代的多个新息协方差；采用预设低通滤波器对多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；根据目标新息协方差，确定卡尔曼自适应调节因子；根据卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；根据目标卡尔曼滤波增益，进行下一次迭代得到估计结果。本发明实施例中，通过使用低通滤波器来优化卡尔曼自适应调节因子的计算过程，可以节省所需的内存资源和计算资源，更加简洁高效。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备，包括：
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述传感器的滤波方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述传感器的滤波方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种传感器的滤波方法和一种传感器的滤波装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种传感器的滤波方法，其特征在于，包括：
在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个新息协方差；
采用预设低通滤波器对所述多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；
根据所述目标新息协方差，确定卡尔曼自适应调节因子；所述卡尔曼自适应调节因子为新息协方差的计算值与估计值的比值；
根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；
根据所述目标卡尔曼滤波增益，进行下一次迭代得到估计结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益，包括：
根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差：
根据调整后的下一次迭代的系统噪声方差，确定下一次迭代的目标卡尔曼滤波增益。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标新息协方差，确定卡尔曼自适应调节因子，包括：
计算所述目标新息协方差的平均值
Figure FDA0002984834100000011
按照如下公式确定卡尔曼自适应调节因子α：
Figure FDA0002984834100000012
其中，Rk为量测噪声协方差矩阵，Hk为量测矩阵，
Figure FDA0002984834100000013
为状态协方差矩阵。
4.根据权利要求2所述的方法，其特征在于，所述根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差，包括：
获取上一次迭代估计的系统噪声方差Qk-1；
根据预设关系式
Figure FDA0002984834100000014
所述卡尔曼自适应调节因子和所述上一次迭代估计的系统噪声方差Qk-1，确定系统噪声方差的估计值
Figure FDA0002984834100000021
将所述系统噪声方差的估计值
Figure FDA0002984834100000022
作为所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
5.一种传感器的滤波装置，其特征在于，包括：
新息协方差获取模块，用于在采用预设卡尔曼滤波器模块对预设传感器的进行滤波过程中，在进行下一次迭代之前，获取在先多次迭代的多个新息协方差；
新息协方差过滤模块，用于采用预设低通滤波器对所述多个新息协方差进行过滤，得到满足预设滤波条件的目标新息协方差；
调节因子确定模块，用于根据所述目标新息协方差，确定卡尔曼自适应调节因子；所述卡尔曼自适应调节因子为新息协方差的计算值与估计值的比值；
增益确定模块，用于根据所述卡尔曼自适应调节因子，确定下一次迭代的目标卡尔曼滤波增益；
迭代滤波模块，用于根据所述目标卡尔曼滤波增益，进行下一次迭代得到估计结果。
6.根据权利要求5所述的装置，其特征在于，所述增益确定模块包括：
系统噪声方差确定子模块，用于根据所述卡尔曼自适应调节因子，确定所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差：
目标增益确定子模块，用于根据调整后的下一次迭代的系统噪声方差，确定下一次迭代的目标卡尔曼滤波增益。
7.根据权利要求6所述的装置，其特征在于，所述调节因子确定模块包括：
新息协方差均值计算子模块，用于计算所述目标新息协方差的平均值
Figure FDA0002984834100000023
调节因子确定子模块，用于按照如下公式确定卡尔曼自适应调节因子α：
Figure FDA0002984834100000024
其中，Rk为量测噪声协方差矩阵，Hk为量测矩阵，
Figure FDA0002984834100000025
为状态协方差矩阵。
8.根据权利要求6所述的装置，其特征在于，所述系统噪声方差确定子模块包括：
在先系统噪声方差获取子模块，用于获取上一次迭代估计的系统噪声方差Qk-1；
系统噪声方差估计值确定子模块，用于根据预设关系式
Figure FDA0002984834100000031
所述卡尔曼自适应调节因子和所述上一次迭代估计的系统噪声方差Qk-1，确定系统噪声方差的估计值
Figure FDA0002984834100000032
目标系统噪声方差确定子模块，用于将所述系统噪声方差的估计值
Figure FDA0002984834100000033
作为所述预设卡尔曼滤波器模块的下一次迭代的系统噪声方差。
9.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的传感器的滤波方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的传感器的滤波方法的步骤。
CN202110297311.9A 2021-03-19 2021-03-19 一种传感器的滤波方法和装置 Active CN113076826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110297311.9A CN113076826B (zh) 2021-03-19 2021-03-19 一种传感器的滤波方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110297311.9A CN113076826B (zh) 2021-03-19 2021-03-19 一种传感器的滤波方法和装置

Publications (2)

Publication Number Publication Date
CN113076826A true CN113076826A (zh) 2021-07-06
CN113076826B CN113076826B (zh) 2024-04-05

Family

ID=76612832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110297311.9A Active CN113076826B (zh) 2021-03-19 2021-03-19 一种传感器的滤波方法和装置

Country Status (1)

Country Link
CN (1) CN113076826B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015048474A1 (en) * 2013-09-30 2015-04-02 Qualcomm Incorporated Updating filter parameters of a system
CN109163720A (zh) * 2018-08-27 2019-01-08 广西科技大学 基于渐消记忆指数加权的卡尔曼滤波跟踪方法
CN111780755A (zh) * 2020-06-30 2020-10-16 南京理工大学 一种基于因子图和可观测度分析的多源融合导航方法
CN112034735A (zh) * 2020-08-31 2020-12-04 浙江大学 一种多auv水下协同作业的模拟实验平台
US20200383643A1 (en) * 2019-06-04 2020-12-10 Waveform Technologies, Inc. Sensor signal processing with kalman-based calibration

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015048474A1 (en) * 2013-09-30 2015-04-02 Qualcomm Incorporated Updating filter parameters of a system
CN109163720A (zh) * 2018-08-27 2019-01-08 广西科技大学 基于渐消记忆指数加权的卡尔曼滤波跟踪方法
US20200383643A1 (en) * 2019-06-04 2020-12-10 Waveform Technologies, Inc. Sensor signal processing with kalman-based calibration
CN111780755A (zh) * 2020-06-30 2020-10-16 南京理工大学 一种基于因子图和可观测度分析的多源融合导航方法
CN112034735A (zh) * 2020-08-31 2020-12-04 浙江大学 一种多auv水下协同作业的模拟实验平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LINGYI ZHANG ET AL.: "On the Identification of Noise Covariances and Adaptive Kalman Filtering A New Look at a 50 Year Old Problem", IEEE *
徐定杰 等: "基于新息协方差的自适应渐消卡尔曼滤波器", 系统工程与电子技术, vol. 33, no. 12 *

Also Published As

Publication number Publication date
CN113076826B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
US9341499B2 (en) Sensor system
JP5046687B2 (ja) ナビゲーション・システム内での反復拡張カルマン・フィルタを実施する方法及び装置
CN110160524B (zh) 一种惯性导航系统的传感器数据获取方法及装置
CN112013836A (zh) 一种基于改进自适应卡尔曼滤波的航姿参考系统算法
EP3196657B1 (en) Speed estimation systems
US20160363460A1 (en) Orientation model for inertial devices
CN113204038B (zh) 基于时域与频域的卡尔曼平滑滤波方法及平滑滤波器
CN108507568B (zh) 补偿温度漂移误差的方法、装置和组合导航系统
CN106840093B (zh) 一种无人机飞行高度的检测方法、装置及无人机
US10197396B2 (en) Always on compass calibration system and methods
US20190187297A1 (en) System and method for locating a moving object
US20180180420A1 (en) Method and System for Improving Inertial Measurement Unit Sensor Signals
EP2869026B1 (en) Systems and methods for off-line and on-line sensor calibration
US10883831B2 (en) Performance of inertial sensing systems using dynamic stability compensation
CN116718153B (zh) 一种基于gnss和ins的形变监测方法及系统
CN113076826B (zh) 一种传感器的滤波方法和装置
CN104407366A (zh) 一种对伪距进行平滑处理的方法
CN109725188B (zh) 一种电流测量方法和装置
CN116519010A (zh) 一种陀螺仪的零偏校准方法及装置
CN114323007A (zh) 一种载体运动状态估计方法及装置
CN113959433B (zh) 一种组合导航方法及装置
Rasoulzadeh et al. Accuracy improvement of a multi-MEMS inertial measurement unit by using an iterative UFIR filter
US20200363208A1 (en) Factory-specific inertial measurement unit error model
CN114076964A (zh) 用于借助于卡尔曼滤波器确定至少一个系统状态的方法
Edu et al. Inertial sensor signals denoising with wavelet transform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240304

Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd.

Country or region after: Zhong Guo

Address before: Room 46, room 406, No. 1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou, Guangdong 510725

Applicant before: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd.

Country or region before: Zhong Guo

GR01 Patent grant
GR01 Patent grant