JPH0743271B2 - センサーシステムの目盛り定めの為の装置と方法 - Google Patents

センサーシステムの目盛り定めの為の装置と方法

Info

Publication number
JPH0743271B2
JPH0743271B2 JP2506605A JP50660590A JPH0743271B2 JP H0743271 B2 JPH0743271 B2 JP H0743271B2 JP 2506605 A JP2506605 A JP 2506605A JP 50660590 A JP50660590 A JP 50660590A JP H0743271 B2 JPH0743271 B2 JP H0743271B2
Authority
JP
Japan
Prior art keywords
kalman filter
sensor
external event
information
improvement
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.)
Expired - Lifetime
Application number
JP2506605A
Other languages
English (en)
Other versions
JPH06510114A (ja
Inventor
アンティ・アールネ・イルマリ・ランゲ
Original Assignee
ランゲ・アンティ・アールネ・イルマリ
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
Priority claimed from FI892071A external-priority patent/FI892071A/fi
Application filed by ランゲ・アンティ・アールネ・イルマリ filed Critical ランゲ・アンティ・アールネ・イルマリ
Publication of JPH06510114A publication Critical patent/JPH06510114A/ja
Publication of JPH0743271B2 publication Critical patent/JPH0743271B2/ja
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/02—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation
    • G01D3/022—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation having an ideal characteristic, map or correction data stored in a digital memory
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G01D18/008—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00 with calibration coefficients stored in memory

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Technology Law (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Navigation (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Feedback Control In General (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Measuring Fluid Pressure (AREA)

Description

【発明の詳細な説明】 技術分野 この発明は、センサー信号処理、詳しくは複合センサー
システム使用のセンサーアウトプットの目盛り定め（ca
libration）と規格化に結びつく。
背景の技術のレベル 電子的に調節されるシステムは、少なくとも部分的には
外部事象に反応する事が多い。そのようなシステムを望
ましい外部事象にモニターさせるのに、よく各種のセン
サーが使用される。センサーは、環境の刺激を受け、予
測可能な電子的反応をする。センサーは、一つか一つ以
上の構成要素から成っており、この構成要素はある程度
の許容度内でしか正確でない。そのため、センサーの取
り付けや使用の前に、その目盛り定めをしなければなら
ない。
しかし、そのような目盛り定め技術は割合費用がかか
る。そこで代わりに、測定に基づいてデータベースを調
節し、各センサーのアウトプットを認められた環境の影
響に結びつけることが出来る。そういう、センサーの目
盛り定めの装置と方法には、最近特許が認められてい
る。（PCT/US86/00908、1987年１月15日のWO 87/00267
も参考）しかし、こういう完全に実験に基づいたデータ
ベースを、大きいセンサーシステムの各センサーの為に
用意し、リアルタイムにするのも、まだまだ費用がかか
りすぎる。
幸いに、センサーシステムにある程度のデータの重なり
やオーバー測定があれば、実験に基づくデータベースは
普通必要ない。（Antti A.Lange 1986:“A High−pass
Filter for OPtimum Calibration of Observing System
s with Applications";Andrzej J.Osiadacz編集、Clare
ndon Press/Oxford University Press出版の“Stimulat
ion and Optimization of Large Systems"の311−327ペ
ージ、1988、英国オックスフォードを参照） 比較的小さなセンサーシステムの目盛りの目定めを、コ
ンピューター計算を使って、いかにリアルタイムに持続
するかは、Kalman Filtering（カルマンフィルター方
法）の名でもっと前から知られている。（Kalman,1960;
とKalman,Bucy,1961）しかし、この場合安定条件が満た
されていないと、すべての目盛り定め用のパラメーター
や他の望ましいパラメーターが更新されるごとに、間違
った解釈に向かってそれていく恐れがある。
幸い、ある観察や調節可能条件が満たされると、最適の
カルマンフィルターの安定性が保証される。この条件と
厳しい最適条件は、複合センサーシステムの完全な測定
サイクル、時には幾つものサイクルが同時に処理や解析
出来ることを要する。しかし、これは大きなリアルタイ
ム適用の場合、無理である。その代わり、同時に少数の
測定しかしない最適条件に満たない高速カルマンフィル
ターが、航海技術やプロセス管理に利用されている。
不幸にも、これまでのリアルタイムの目盛り定め技術で
はどうしても、最適カルマンフィルター方法の困難な測
定の問題、或は、最適条件に満たないカルマンフィルタ
ーやLange's High−pass Filter（ランゲの高度通過フ
ィルター）の不安定さの問題が残る。高速カルマン推定
アルゴリズムというのが出来た報告はあるが、限られた
問題分野でしか使えない。（Falconer,Ljung,198:“App
lication of Fast Kalman Estimation to Adaptive Equ
alization"IEEE Transactions on Communications,Vol.
COM−26,1987年10月号1439−1446ページ） つまり、様々な分野で適用でき、これまでと同じかこれ
まで以上の計算速度、確実性、正確性を持ち、値段も安
い大きなセンサーシステムの目盛り定めの為の装置と方
法が必要なのである。
発明の概要 この必要は、下記のセンサーシステムのリアルタイム、
叉はほとんどリアルタイムでの目盛り定めの装置と方法
によって、実質的に満たされる。この装置と方法を使用
すると、不正確な調節点や、非常に費用を要する内部目
盛り定め技術をセンサーから取除くことが出来る。そし
て、データベースもほとんど寄せ集めで創作でき、複合
センサーシステム全体をリアルタイムで更新できる。そ
の上、集中性や計算処理の正確性の向上の為に、目盛り
未定だが運転の予測可能のセンサーをセンサーシステム
の中に付け足すことが出来る。
発明の装置に従って、マイクロコンピューター、或は他
のリアルタイムかほとんどリアルタイムで特定の論理的
機能作用が出来る装置は、幾つものセンサーユニットの
アウトプットを受信し、データベースを読み込み、標準
化された目盛り既定アウトプットを生むためにデータベ
ースの情報に従ってセンサーユニットの数値を測定し、
データベースの情報を更新する。また、発明の方法に従
って、論理的な機能作用は、ランゲの高速フィルターを
観測システム最適目盛り定めの為に改造したものに基づ
いており、それはフィルターをカルマンフィルターに変
形させる。
図面の簡単な説明 製図の簡単な説明 発明を遂行するのに一番都合の良い様式の説明や描写
を、特に製図と併せて見て頂くと、発明の特性が明らか
になるだろう。
図１は、これまでの技術の、センサーと目盛り定めユニ
ットの構成図である。
図２は、これまでの技術での大きなセンサーシステムの
（いわゆる分散カルマンフィルター方法に基づく）目盛
り定めの装置と方法の構成図である。
図３は、（いわゆる集中カルマンフィルターに基づく）
発明の装置の構成図である。
図４は、発明の装置の具体化例の図表のダイヤグラムで
ある。
発明を遂行するのに一番良い様式 発明に入る前に、図１のこれまでの目盛り定め技術を説
明したい。これまでのセンサーと目盛り定めユニットに
は、論理的ユニット（11）とデータベースユニット（1
2）が入っている。センサーユニット（13）から出たセ
ンサー信号はまっすぐ増幅器、伝達ユニット（16）を通
って、アウトプット、インターフェイスユニット（18）
に進む。このインプットとデータベースにある情報（1
2）に基づいて、論理的ユニット（11）は利用方法に従
って、目盛り既定のセンサーの数値を提供する。
図３の発明の装置を見て頂きたい。集中複合センサーシ
ステム（３）と連結して機能する論理ユニット（１）と
データベースユニット（２）が入っている。データベー
スユニット（２）は、センサーの更新の調節や性能（何
か兼ねている場合は、コントロールポイントのセンサー
アウトプット数値とそれに相当する実験的に出た外部事
象数値など）についてのインフォメーションの記憶装置
と成っている。論理ユニット（１）は、センサーシステ
ム（３）からセンサーアウトプットを受取り、データベ
ースユニット（２）に読み込む。このインプットに基づ
いて、論理ユニット（１）は、更新化された目盛り定め
データ、センサー数値、望ましい外部事象に関するモニ
ターしている情報から成るアウトプット（５）を提供す
る。論理ユニット（１）の使用方法に従って発明された
高速カルマンフィルター方法（FKF）を説明する前に、
カルマンフィルター方法の原理を説明する必要がある。
最適の再帰的フィルターは、状態パラメーターの現在の
概算をするのに、すべてのそれ以前の計算を記憶する必
要のないものである。これを、推計学的なプロセスのMa
rkov Property（マルコブ所有）と呼び、これは最適カ
ルマンフィルター方法の基礎である。図４の上空風測定
用の装置では、気象観測気球の位置座標、また、後で見
るように、他の観測用センサーの多少不明の目盛り定め
パラメーターも、システムの状態と呼ばれる。
その過程は、下記の（１）から（３）の方程式に描かれ
ている。最初の方程式は、t （ｔ＝0,1,2…）という時
点で、測定ベクトルｙｔが状態ベクトルＳｔに依ること
を示している。これが、一次測定方程式（または観察方
程式）である。
ｙｔ＝Ｈｔｓｔ＋ｅｔ （１） 企画マトリックスＨｔは、普通、実際の測定方程式の部
分誘導から成っている。第２の方程式は、例えば気象観
測気球の飛行の時間の進展を表わし、システム方程式、
叉は状態方程式という。
ｓｔ＝ｓｔ−１＋ｕｔ−１＋ａｔ （２） またはもっと一般的に ｓｔ＝Asｔ−１＋Buｔ−１＋ａｔ これは、観測気球の位置が、その以前の位置ｓｔ−１や
増分ｕｔ−１やａｔから成ることを示す。この増分は普
通、認められた一定の動きと不明の無作為加速の両方か
ら成る。
測定結果、加速期間、以前の位置は、普通相互に関連し
ないので、次の共分散マトリックスを使って簡単に説明
したい。
それから Ｐｔ−１＝Cov（ｔ−１）＝Ｅ｛（ｔ−１−ｓ
ｔ−１）（ｔ−１−ｓｔ−１）′｝ カルマン前方再帰フィルター公式によって、現在状態に
ついての一番公平な一次推定が次のように得られる。ｔ ＝ｔ−１＋ｕｔ−１＋Ｋｔ｛ｙｔ−Ｈｔ（
ｔ−１＋ｕｔ−１）｝ （４） 次にその共分散マトリックス Ｐｔ＝Cov（ｔ）＝Ｐｔ−１−ＫｔＨ′ｔＰ
ｔ−１ （５） そのうち、カルマン増加マトリックスＫｔは、次で限定
される。
次に、推定の状態ベクトルｔとその共分散マトリック
スＰｔを、仕切ってみたい。
このうち、ｔは観測気球の推計されたの位置を示し、ｔ は推計された目盛り定めパラメーターを示す。
あとの量を表わす数字を同じように仕切ると、次の通り
になる。
（４）から（６）の再帰的公式によって、フィルターさ
れた（更新された目盛り定めパラメーターに基づく）位
置ベクターが与えられる。
更新された目盛り定めパラメーターベクターは次に掲げ
る。
カルマン増加マトリックスは、それぞれ下記の通りだ。
（９）の方程式は、高度通過（high−pass）フィルター
を示す。というのは、追跡センサーの不変、または低速
度の目盛り定め減算から生じるノイズ現象を、位置座標
から押さえるからだ。その周波数反応は各センサーの目
盛り定めの安定性に結びついており、最適調整は自動的
に行なわれる。しかし、共分散マトリックスＰｔ＝０、 の正確な推計を使用しなければならないし、常に各時点
t,t＝1,2,…での再目盛り定め、または調節 の観察をしなければならない。（10）の方程式は、無作
為ノイズ を目盛り定めパラメーターから押さえるゆえ、低通過
（low−pass）フィルターである。目盛り定めパラメー
ターベクターを更新するのに使える。移動平均化のため
の加重価（11）を提供する指数の滑走フィルターに似て
いる。
目盛り定めパラメーターは、測定と深い関係があるの
で、企画マトリックスＨｔには普通一次的に依存する縦
行ベクターがある。これを十分警戒しないと、数字上の
問題が生じる。まず、位置ベクターｂｔ＝０や目盛り定
めベクターｃｔ＝０の適当な初期推定値の初期化をする
必要がある。ランゲの高度通過フィルター（Lange,1988
a）は、この情報（例えば、機器目盛り定め、試験場の
実験、相互比較、記録された測定など）をあらゆる有効
な源から抜き取れる。二番目に、カルマンフィルター方
法の有名な安定条件も満たさなければならない。でなけ
れば、省略や概数化の間違いがそのうちフィルター処理
の結果を汚染してしまう。（Geld,1974:“Applied Opti
mal Estimation",MIT Press,132ページ参照） カルマンフィルターの安定性というのは、概算されたパ
ラメーターの測定が押さえられた時の動きのことをい
う。目盛り定めパラメターは外部で様々な事象が発生す
る間、普通観察出来ない。実際上、測定の数は、いつも
すべての不明の状態パラメーターの数をうわまわなけれ
ばならない。これは、多数の目盛り定めパラメーターを
推定するすべての観測システムにおける、重大な具体的
問題だ。非常に重要な観測可能条件は普通、入って来る
センサー信号を大きな束にまとめて処理するか、誤差ｅ
の「潔白性」についての試験を繰り返し、問題発生時に
訂正することによって、満たされる。
実は、本当に最適なカルマンフィルターになると、カル
マン増加マトリックス（11）だけでなくデータ束の大き
さも、状態や原型パラメーターに動的に結びつく。これ
までの方法では、カルマン再帰法（４）と（６）を使っ
てパラメーターの推定を行なっている。
次に、状態方程式を変異した公式を紹介したい。ｔ−１ ＋ｕｔ−１＝Isｔ＋（ｔ−１−ｓｔ−１）−
ａｔ （12） ｓは状態ベクターｓの推定である。それを測定方程式
（１）とあわせると、いわゆる増大原型が得られる。
すると、レグレッション解析問題の有名な解析法を使っ
て、状態パラメーターが計算できる。ここでは、更新す
るのに使う。ｔ ＝（▲Ｚ′ ｔ▼▲Ｖ-1 t▼Ｚｔ）-1▲Ｚ′ ｔ▼▲Ｖ
-1 t▼ｚｔ （14） 解答は、カルマン再帰法を使うのと代数的には同じだ
が、数字上では異なる。（例えばHarvey,1981:“Time S
eries Models",Philip Allan Publishers Ltd,英国オッ
クスフォード、101−119ページ参照）多数のセンサーと
ずれて行く目盛り定めの問題を抱えた気球の場合、
（６）や（11）の方程式のほうが、（14）の公式より
も、転倒しなくてはならないマトリックスが大きい。
気球の追跡センサーの目盛り定め問題を解決するため、
大きな最適カルマンフィルターの初期値を出すが、これ
にはランゲの高度通過フィルターが使われる。下記のい
わゆる正規ブロック式角マトリックス構造を持ったレグ
レッション原型を解析するのに、分析希薄マトリックス
転倒公式（Lange,1988a）を利用する方法である。
これは、風測定用相互比較実験全体か一回の気球飛行の
測定方程式のマトリックス表示である。b1,b2,…,bｋは
普通、気球の連続した位置座標を示すが、重要な時間ま
たは空間変動を持つ目盛り定めパラメーターも入ってい
ることがある。ベクターｃは、検査期間中一定不変の他
の目盛り定めパラメーターを意味する。
目盛り定めドリフトを含む状態パラメーターを更新する
ことは、最適カルマンフィルター方法に基ずく。しか
し、カルマン再帰法は次に、非常に多数のマトリックス
を（６）か（11）の方程式に転倒することを要求する。
なぜなら、目盛り定めパラメーターを観察可能にするに
は、測定を大きなデータの束にして処理する必要がある
からだ。データの束とは、普通は新しい気球飛行のこと
をいう。
幸い、レグレッション分析を通して問題に組み込むと、
方程式（15）とほとんど変わらないブロック式角マトリ
ックス構造に至る。b1,b2,…,bｋとｃの最適推定（＾）
は、方程式（15）に各時点t,t＝1,2,…で次の論理的な
差込みをすることによって保つ。
この差込みで、図４の上空風観測システムの目盛り定め
の発明の具体化の為の高速カルマンフィルター（FKF）
アルゴリズムの詳説を終わりたい。
発明遂行の為の他の望ましい様式は、世界気象監視（Wo
rld Weather Watch）の世界的な観測システムである。
この場合、ベクターｙｋは、ラジオゾンデシステムｋ
か、国のラジオゾンデ局の同質のかたまりｋからの気象
報告のすでに観測されている様々な不一致や定誤差（例
えば、おおよそゼロのはずの昼夜の平均圧力差）を含ん
でいる。（Lange,1988a/b）目盛り定めドリフトベクタ
ーｂｋが間違いの場所と程度を教えてくれる。目盛り定
めドリフトベクターｃは世界的な間違いや、すべての観
測システムに多少みられる間違い（例えば人工衛星の放
射や垂直重量機能の傾き、大気の風潮の影響）を指す。
すべての大きな複合センサーシステムの企画マトリック
スは、特徴として希薄である。だから普通、仕切ること
ができる。
このうちｃｔは時点ｔの目盛り定めパラメーターを示
し、 ｂt,kは他のすべての状態パラメーター（時間と空間か
どちらか）を示す。
もし仕切るのが難しければ、自動的にすべての希薄な一
次的システムを、前記の正規ブロック式角マトリックス
方式に変える、特定のアルゴリズムがある。（Weil,Ket
tler,1971:“Rearranging Matrices to block−angular
From for Decomposition（and other）Algorithms",Ma
nagement sience,Vol.18,No.1,1971年９月98−107ペー
ジ） 空間容量の場合の増大原型（15）と（16）の方程式を見
よ。
過ぎる時間容量の為の増大原型（長さＬ） このうち、ベクターＣｔは、移動容量に関して一定不変
であるすべての目盛り定めパラメーターを代表する。前
と同じように次に更新する。ｔ ＝｛▲Ｚ′ ｔ▼▲Ｖ-1 t▼Ｚｔ｝-1▲Ｚ′ ｔ▼▲Ｖ
-1 t▼Ｚｔ （19） 空間分野を付け足す時、巨大なマトリックスＺは巣状の
ブロック式角の形を取ることに注目して頂たい。ランゲ
の高度通過フィルターは、増大原型の希薄を処理できる
ように修正する事が出来る。
任意の時点ｔでの、再帰ステップの為の高速カルマンフ
ィルター（FKF）公式は次の通りである。
where,for l＝0,1,2,…,L−1, Ｒｔ−ｌ＝▲Ｖ-1 t-l▼｛Ｉ−Ｘｔ−ｌ｛▲Ｘ′ ｔ−ｌ
▼▲Ｖ-1 t-l▼Ｘｔ−ｌ｝-1▲Ｘ′ ｔ−ｌ▼▲Ｖ
-1 t-l▼｝ and,i.e.for l＝L, Ｒｔ−Ｌ＝▲Ｖ-1 t-L▼ Ｇｔ−Ｌ＝I. 状態ベクターが空間分野で分離されていれば、その下部
システムは（17）、（16）、（15）の方程式で示す。実
は、もし細かい下部システムが一般のブロック式角公式
（18）と一致するように交換されていれば、（20）で示
されたランゲの修正高度通過フィルターアルゴリズム
は、計算を一回でしてしまう。
連続カルマンフィルターは次式である。
ｕｔ＝Ｆ（ｔ）Δt bｔ （Gelg 1974,122−124ページ） 次に、図２のこれまでの文散カルマンフィルター技術を
使った航海システムの特定の具体化を説明したい。図表
で分かるように、連合フィルター方法（Neal A.Carlso
n,1988:“Federated Filter for Fault−Tolerant Ingr
ated Navigation Systems",Proceedings of the IEEE 1
988 PLANS,IEEE Society,111ページの図１を見よ）は、
二段階のデータ処理技術である。地方のセンサーに関連
したフィルターのアウトプットは、次に大きめのマスタ
ーフィルターによって処理され、組み合わされる。地方
の各フィルターは、別々のセンサーの下部システムに捧
げられている。一つか一つ以上の地方フィルターは、共
通参考システム、例えば慣性航法装置（INS）のデータ
も使える。これまでの集中カルマンフィルター技術に比
べて有利な点は、地方フィルターの平行な運転による全
体のシステムスループットの増加と、地方フィルターの
データ圧縮によるさらにその上のシステムスループット
の増加である。高速計算が要求されるため、複合センサ
ー使用の大きな航海システムにとって、こういう取入り
策は絶対に必要である。これまでの大きなセンサーシス
テムの集中カルマンフィルターの見地から考えると、計
算を高速させる策は、二つの概算方法の一般部門に入
る。つまり、状態の分離と、データ圧縮のため前もって
フィルターすることである。（例えばGelb,1974:“Appl
ied Optimal Estimation",MIT Press,289−291ページ参
照）不利な点は、概算カルマンフィルターが完全に最適
であることはできないことと、その結果として安定性が
多少不確かになることである。とにかく、安定性を理論
上厳正に定めるほうが難しいわけだ。
次に、理論上確実であると同時に、実用的な集中カルマ
ンフィルター方法を使う図３で表わされた発明の装置を
説明したい。
図１と図２を比較すると分かるように、発明の論理ユニ
ット（１）とデータベースユニット（２）との間には相
互的な通信結合があるが、これまでの論理ユニット（1
1）は一方的にデータベースユニット（12）の信号しか
受け取れなかった。これまでのセンサーとカリブレーシ
ョンユニットが正しく働くには、データベースユニット
（12）にセンサー（13）の性能に関する適切なデータが
集まっていなくてはならなかった。そういう情報は、理
論上定められないとならないし、普通各センサー（13）
をさまざまな規模の外部事象にさらして、定期的に定め
直さないとならない。これが、多くの実用的に重大な場
合（軌道に乗った気象衛星のラジオメーターのセンサー
の場合など）不可能だ。反対に、発明の論理ユニット
（１）は、一定の観測可能条件が満たされるという条件
だけで、データベース（２）に集まった目盛り定めに関
する情報をを、伸ばしたり更新したりできる。
図２と図３を比較すれば分かるように、連合カルマンフ
ィルター解決法は、インフォメーション連合や分離が、
各地方フィルター計算更新サイクル毎に実施されない
と、一つの集中カルマンフィルターと同じであるとはい
えない。（その時、マスターフィルターは、分離する状
態の助けを借りないで大きなカルマンフィルターの問題
を解決できないといけない。）つまり、1960年にカルマ
ンが示し、実際、すでに19世紀の初めにガウスとマルコ
ブが示していたように、図３の完全に集中されたカルマ
ンフィルター解決法が最適結果を出すのであるから、図
２の示すこれまでの解決法は、理論上劣っている。しか
し、これまでの集中カルマンフィルターの計算荷重は、
ｎが状態パラメーター（つまり、処理パラメーター推定
の更新のため計算しないとならない不明の量の数）の数
を示す場合、ｎに比例する。
この装置と方法を使うと、センサーの内部の目盛り定め
規定や論理ユニットの速度にあまり関係なく、簡単で安
いセンサーが開発できる。予測は出来るがまったく目盛
り未定のセンサーを使用するにかかわらず、ここで表わ
された目盛り定めと標準化の装置と方法では、リアルタ
イム適応で正確な結果を出せる。
発明された高速カルマンフィルター（FKF）方法は、状
態の分離の一般原則に基づく。ランゲの分析希薄マトリ
ックスの転倒方法の使用は、発明に従う。（例えば、La
nge,1988a参照）解決は率直で正確であるから、抜群な
計算能力とともに、大きな集中カルマンフィルターの最
適さに達する。
この技術に熟練した人は、発明の精神を保ちながら、発
明によって様々な変異を実行できることを喜ぶだろう。
発明の範囲は、下記の要求のうちに掲げている制限を除
いて、上に挙げた発明の特定の具体化例だけに留まらな
いことを分かって頂きたい。
参考文献 （１） Kalman,R.E.（1960）：“A new approach to l
inear filtering and prediction problems".Trans.ASM
E J.of Basic Eng.82:35−45 （２） Lange,A.A.（1982）：“Multipath propagatio
n of VLF Omega signals".IEEE PLANS'82−Position Lo
cation and Navigation Symposium Record,December 19
82,002−309. （３） Lange,A.A.（1984）：“Integration,calibrat
ion and intercomparison of windfinding devices".WM
O Instruments and Observing Methods Report No.15. （４） Lange,A.A.（1988a）：“A high−pass filter
for optimum calibration of observing systems with
applications".Simulation and Optimization of Larg
e Systems,edited by A.J.Osiadacz,Oxford University
Press/;Clarendon Press,Oxford,1988,311−327 （５） Lange,A.A.（1988b）：“Determination of th
e radiosonde biases by using satellite radiance me
asurements".WHO Instruments and Observing Methods
Report No.33,201−206.

Claims (12)

    【特許請求の範囲】
  1. 【請求項１】複合センサーシステムのデータを目盛り定
    めする方法。センサーは、外部事象に反応してアウトプ
    ット信号を提供する。方法は、次の段階から成る。 ａ）情報を記憶装置に入れるデータベース手段を提供す
    る。情報とは次のことについてのものである。 − いくつかの前記のセンサーのためのコントロールポ
    イントのセンサーアウトプット信号の多数の数値につい
    て、叉、前記のコントロールポイントのセンサーアウト
    プットの数値に相当する前記の外部事象の多数の数値に
    ついてで、この場合改良の部分は、前記のコントロール
    ポイントのデータの量と質に関する最低要求、目盛り未
    定のセンサーの増加可能条件である。 − 前記の目盛り既定のセンサーデータについて、また
    は、カリブレーションパラメーターと状態に相当する前
    記の外部事象の数値が伴う前記のデータについて。 − 前記のセンサーか新しい状態に相当する前記の外部
    事象に管理、叉は変化をする場合、それについて。 ｂ）前記の目盛り既定のデータを読み込む論理的手段を
    提供する。叉はそのカリブレーションパラメーターを伴
    う前記のデータを読み込む論理的手段を提供する。この
    場合改良点は、読み込みと発信の両方を兼ねること、つ
    まり、前記の論理手段が前記のデータベースと相互的な
    通信結合を持つことである。 ｃ）前記のセンサーから前記の論理手段に前記のセンサ
    ーアウトプット信号を提供する。 ｄ）前記のデータベース手段に前記の管理や変化をする
    場合、それについての情報を提供する。 ｅ）前記の論理的な手段（１）で、前記の外部事象数値
    と、前記の新しい状態に相当する目盛り定めパラメータ
    ーの数値をカルマン再帰法を使って更新する。この場
    合、説明にある高速カルマンフィルター（FKF）公式（2
    0）によって得られたアルゴリズムを使用することが、
    改良された部分である。 ｆ）前記の目盛り既定のデータの更新の数値と、前記の
    外部事象の前記の数値と両方を、叉は望み通りどちらか
    を提供する。
  2. 【請求項２】前記の論理手段（１）が分散か階段の形で
    働くが、ある手段でカルマンフィルター方法を利用する
    場合の要求１の方法。カルマンフィルターの改良された
    点は、説明にある高速カルマンフィルター（FKF）公式
    （20）によって得られたアルゴリズムを使用することで
    ある。
  3. 【請求項３】モニターされた事象に反応して、実質的に
    予測出来るセンサーアウトプットを提供する、複合セン
    サーシステムで使う目盛り定め装置。装置は、次のこと
    から成る。 ａ）目盛り定め装置が使用されようとする各センサーの
    多数のセンサーアウトプット数値について、また、状態
    やいくつかのコントロールポイントに相当する多数の前
    記の外部事象数値についての情報を記憶するデータベー
    ス手段。このうち、改良された部分は、前記のコントロ
    ールポイントのデータの量と質に関する最低要求と、目
    盛り未定のセンサーの増加可能条件である。 ｂ）前記の複合センサーシステムの目盛り既定のデータ
    から成るアウトプットを提供するため、それから、前も
    って選択された基準に実質上標準化出来る前記の外部事
    象の現在の数値を提供するため（望み通り両方か片方）
    のカルマンフィルター方法に基づいた論理手段（１）。
    この場合カルマンフィルター方法で改良された点は、説
    明にある高速カルマンフィルター（FKF）公式（20）に
    よって得られたアルゴリズムを使用することである。論
    理手段は、前記のセンサーアウトプットの受信のため、
    前記の複合センサーシステムと機能的に結合している。
    また、前記の多数のセンサーアウトプット数値に関する
    情報と、前記の外部事象の多数の数値に関する情報を読
    み込んだり、更新したりするため、前記のデータベース
    手段とも機能的に結合している。
  4. 【請求項４】前記の論理手段（１）が分散か階段の形で
    働くが、ある手段でカルマンフィルター方法を利用する
    場合の要求３の装置。カルマンフィルターの改良された
    点は、説明にある高速カルマンフィルター（FKF）公式
    （20）によって得られたアルゴリズムを使用することで
    ある。
  5. 【請求項５】次の段階を含む要求１の方法。 ａ）カルマンフィルター方法を使って前記の論理手段
    （１）の中で適用する（Adapted Kalman Filter）。改
    良された点は、説明にある高速カルマンフィルター（FK
    F）公式（20）によって得られたアルゴリズムを使用す
    ることである。前記のセンサーの前記の管理か変化につ
    いての前記の情報、叉は、前記の外部事象の本当の規模
    が分からない部分において外部事象に関する情報を適用
    する。
  6. 【請求項６】次の段階を含む要求２の装置。 ａ）カルマンフィルター方法を使って前記の論理手段
    （１）の中で適用する（Adapted Kalman Filter）。改
    良された点は、説明にある高速カルマンフィルター（FK
    F）公式（20）によって得られたアルゴリズムを使用す
    ることである。前記のセンサーの前記の管理か変化につ
    いての前記の情報、叉は、前記の外部事象の本当の規模
    が分からない部分において外部事象に関する情報を適用
    する。
  7. 【請求項７】観測システムと、モニターされた事象に反
    応して実質的に予測可能なアウトプットを提供する力学
    的な予測システムに使うデータ同化作用（data−assimi
    lation,smoother）の装置。装置は、次のことから成
    る。 ａ）装置が使用されようとする各センサーの多数のセン
    サーアウトプット数値について、また、前記の多数の外
    部事象数値やいくつかのコントロールポイントの為の前
    記の力学的なシステムによって得られた数値の変化の予
    測を含む多数の数値についての情報を記憶するデータベ
    ース手段。このうち、改良された部分は、上記のコント
    ロールポイントのデータの量と質に関する最低要求と、
    目盛り未定のセンサーの増加可能条件である。 ｂ）前記の観測システムの目盛り既定のデータから成る
    アウトプットを提供するため、それから、前記の外部事
    象の現在の数値を提供するため（望み通り両方か片方）
    のカルマンフィルター方法に基づいた論理手段（１）。
    この場合カルマンフィルター方法で改良された点は、説
    明にある高速カルマンフィルター（FKF）公式（20）に
    よって得られたアルゴリズムを使用することである。論
    理手段は、前記のセンサーアウトプットの受信のため、
    前記の観測と予測システムと機能的に結合している。ま
    た、多数のセンサーアウトプット数値に関しての情報
    と、前記の多数の外部事象数値と予測可能の変化に関す
    る情報を読み込んだり更新したりするため、前記のデー
    タベース手段と機能的に結合している。
  8. 【請求項８】観測システムと、モニターされた事象に先
    んじて実質的に予測可能なアウトプットを提供する力学
    的な予測システムに使う予測装置。装置は、次のことか
    ら成る。 ａ）装置が使用されようとする各センサーの多数のセン
    サーアウトプット数値について、また、前記の多数の外
    部事象数値やいくつかのコントロールポイントの為の前
    記の力学的なシステムによって得られた数値の変化の予
    測を含む多数の数値についての情報を記憶するデータベ
    ース手段。このうち、改良された部分は、上記のコント
    ロールポイントのデータの量と質に関する最低要求と、
    目盛り未定のセンサーの増加可能条件である。 ｂ）前記の観測システムの予測されたデータから成るア
    ウトプットを提供するため、それから、前記の外部事象
    の予測された現在の数値を提供するため（望み通り両方
    か片方）のカルマンフィルター方法に基づいた論理手段
    （１）。この場合カルマンフィルター方法で改良された
    点は、説明にある高速カルマンフィルター（FKF）公式
    （20）によって得られたアルゴリズムを使用することで
    ある。論理手段は、前記のセンサーアウトプットの受信
    のため、前記の観測と予測システムと機能的に結合して
    いる。また、多数のセンサーアウトプット数値に関して
    の情報と、前記の多数の外部事象数値と予測可能の変化
    に関する情報を読み込んだり更新したりするため、前記
    のデータベース手段と機能的に結合している。
  9. 【請求項９】センサーシステムと、前記の力学上のシス
    テムの実質的に予測可能な状態パラメーターを提供する
    力学的なシステムに使う管理装置。装置は、次のことか
    ら成る。 ａ）装置が使用されようとする前記のセンサーの多数の
    センサーアウトプット数値について、また、前記の多数
    の外部事象数値やいくつかのコントロールポイントの為
    に前記の力学上のシステムの原型によって予測された、
    多数の数値や管理や変化についての情報を記憶するデー
    タベース手段。このうち、改良された部分は、前記のコ
    ントロールポイントのデータの量と質に関する最低条件
    と、目盛り未定のセンサーの増加可能条件である。 ｂ）前記のセンサーシステムの目盛り既定のデータ（叉
    は予測されたデータ）から成るアウトプットを提供する
    ため、それから、前記の状態パラメーターの現在の数値
    か予測された数値を提供するため（望み通り両方か片
    方）のカルマンフィルター方法に基づいた論理手段
    （１）。この場合カルマンフィルター方法で改良された
    点は、説明にある高速カルマンフィルター（FKF）公式
    （20）によって得られたアルゴリズムを使用することで
    ある。論理手段は、前記のセンサーアウトプットと前記
    の管理装置の受信のため、前記のセンサーと力学上のシ
    ステムと機能的に結合している。また、論理手段は、多
    数のセンサーアウトプット数値に関しての情報と、前記
    の状態パラメーターの多数の数値や管理装置や予測され
    た変化に関する情報を読み込んだり更新したりするた
    め、前記のデータベース手段と機能的に結合している。
  10. 【請求項１０】前記の論理手段（１）が分散か段階の形
    で働くが、ある手段でカルマンフィルター方法を利用す
    る要求７、８、叉は９の装置。カルマンフィルターの改
    良された点は、説明にある高速カルマンフィルター（FK
    F）公式（20）によって得られたアルゴリズムを使用す
    ることである。
  11. 【請求項１１】カルマンフィルター方法を使って、前記
    のセンサーの前記の管理か変化に関する前記の情報、叉
    は、前記の外部事象の本当の規模が分からない部分にお
    いて、外部事象に関する情報を適用する要求３、７、
    ８、叉は、９の装置。この場合、カルマンフィルターの
    改良された点は、説明にある高速カルマンフィルター
    （（FKF）公式（20）によって得られたアルゴリズムを
    使用することである。
  12. 【請求項１２】カルマンフィルター方法を使って、前記
    のセンサーの前記の管理か変化に関する前記の情報、叉
    は、前記の外部事象の本当の規模が分からない部分にお
    いて、外部事象に関する情報を適用する要求４、叉は、
    10の装置。この場合、カルマンフィルターの改良された
    点は、説明にある高速カルマンフィルター（FKF）公式
    （20）によって得られたアルゴリズムを使用することで
    ある。
JP2506605A 1989-04-28 1990-04-27 センサーシステムの目盛り定めの為の装置と方法 Expired - Lifetime JPH0743271B2 (ja)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
FI892071A FI892071A (fi) 1989-04-28 1989-04-28 Algoritm foer raekning av kalman-filtret i ett regleringsproblem.
FI892071 1989-04-28
FI896219 1989-12-22
FI896219A FI896219A0 (fi) 1989-04-28 1989-12-22 Anordning och foerfarande foer kalibrering av detektorsystem.
PCT/FI1990/000122 WO1990013794A1 (en) 1989-04-28 1990-04-27 Apparatus and method for calibrating a sensor system
SG151694A SG151694G (en) 1989-04-28 1994-10-18 Apparatus and method for calibrating a sensor system

Publications (2)

Publication Number Publication Date
JPH06510114A JPH06510114A (ja) 1994-11-10
JPH0743271B2 true JPH0743271B2 (ja) 1995-05-15

Family

ID=27241328

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2506605A Expired - Lifetime JPH0743271B2 (ja) 1989-04-28 1990-04-27 センサーシステムの目盛り定めの為の装置と方法

Country Status (20)

Country Link
US (1) US5506794A (ja)
EP (1) EP0470140B1 (ja)
JP (1) JPH0743271B2 (ja)
AT (1) ATE91545T1 (ja)
AU (1) AU649223B2 (ja)
BG (1) BG60653B1 (ja)
BR (1) BR9007336A (ja)
CA (1) CA2051681A1 (ja)
DE (1) DE69002233T2 (ja)
DK (1) DK0470140T3 (ja)
ES (1) ES2043374T3 (ja)
FI (2) FI896219A0 (ja)
HK (1) HK136494A (ja)
HU (1) HU215868B (ja)
MW (1) MW7191A1 (ja)
NO (1) NO307197B1 (ja)
OA (1) OA09793A (ja)
RO (1) RO118549B1 (ja)
SG (1) SG151694G (ja)
WO (1) WO1990013794A1 (ja)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI922031A0 (fi) * 1991-10-23 1992-05-05 Antti Aarne Ilmari Lange Foerfarande foer kalman-filter i stora system.
DE4325674A1 (de) * 1993-07-30 1995-02-02 Ruhrgas Ag Verfahren und Anordnung zur Meßwerterfassung und Überwachung einer Produktenrohrleitung
DE4337794A1 (de) * 1993-11-05 1995-05-11 Bosch Gmbh Robert Verfahren und Vorrichtung zum Regeln und regelungsunterstützten Steuern von insbesondere Kfz-Einstellstrecken
US5532941A (en) * 1994-07-08 1996-07-02 Lin; Lawrence I. Inter-laboratory performance monitoring system
DE59507817D1 (de) * 1994-12-27 2000-03-23 Litef Gmbh FDIC-Verfahren zur Minimierung von Messfehlern in einer Messanordnung von redundanten Sensoren
FR2730053A1 (fr) * 1995-01-27 1996-08-02 Sgs Thomson Microelectronics Procede de tarage d'une balance electronique, de mesure avec cette balance ou de mesure avec un autre appareil electronique
FI955489A0 (fi) * 1995-11-15 1995-11-15 Antti Aarne Ilmari Lange Foerfarande foer adaptiv Kalmanfiltrering i dynamiska system
US5991525A (en) 1997-08-22 1999-11-23 Voyan Technology Method for real-time nonlinear system state estimation and control
US6041172A (en) * 1997-11-26 2000-03-21 Voyan Technology Multiple scale signal processing and control system
US6721770B1 (en) * 1999-10-25 2004-04-13 Honeywell Inc. Recursive state estimation by matrix factorization
US6876991B1 (en) 1999-11-08 2005-04-05 Collaborative Decision Platforms, Llc. System, method and computer program product for a collaborative decision platform
SE523023C2 (sv) * 2000-04-12 2004-03-23 Nira Dynamics Ab Metod och anordning för att med rekursiv filtrering bestämma en fysikalisk parameter hos ett hjulfordon
US6564110B1 (en) * 2000-06-07 2003-05-13 Sumitomo Heavy Industries, Ltd. Position controlling apparatus capable of reducing the effect of disturbance
US6609036B1 (en) * 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
US6917839B2 (en) * 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
US6317662B1 (en) 2000-07-24 2001-11-13 Hughes Electronics Corporation Stable and verifiable state estimation methods and systems with spacecraft applications
WO2007096466A1 (en) * 2006-02-27 2007-08-30 Antti Aarne Llmari Lange A method for calibrating teh carrier-phases of radio signals from satellites and other transmitters by using fast kalman filtering
US20070239418A1 (en) * 2006-03-23 2007-10-11 Harrison Gregory A Exercise Monitoring Unit for Executable Architectures
US9020795B2 (en) 2006-03-23 2015-04-28 Lockheed Martin Corporation Multiple-entity scenario simulation incorporating human interaction
US8700550B1 (en) 2007-11-30 2014-04-15 Intellectual Assets Llc Adaptive model training system and method
US8712929B1 (en) 2007-11-30 2014-04-29 Intellectual Assets Llc Dynamic data filtering system and method
US8061213B2 (en) * 2009-01-22 2011-11-22 Kulite Semiconductor Products, Inc. High temperature, high bandwidth pressure acquisition system
CN104075751A (zh) * 2013-03-26 2014-10-01 北京百度网讯科技有限公司 互联网数据中心的温湿度预警方法及装置
CN104006846B (zh) * 2014-01-10 2017-09-26 国家电网公司 二牵三放线走板数据监测装置
CN103954315B (zh) * 2014-04-25 2017-01-04 西安航空动力股份有限公司 数据采集系统在线检测方法
CN106030431B (zh) 2014-08-15 2017-11-03 深圳市大疆创新科技有限公司 传感器的自动标定系统及方法
WO2016073642A1 (en) * 2014-11-04 2016-05-12 The Regents Of The University Of California Visual-inertial sensor fusion for navigation, localization, mapping, and 3d reconstruction

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4192005A (en) * 1977-11-21 1980-03-04 Kulite Semiconductor Products, Inc. Compensated pressure transducer employing digital processing techniques
US4347730A (en) * 1979-01-22 1982-09-07 The United States Of America As Represented By The Secretary Of The Army Method and apparatus for calibrating gyroscopically-stabilized, magnetically-slaved heading reference system
US4303984A (en) * 1979-12-14 1981-12-01 Honeywell Inc. Sensor output correction circuit
JPS57116410A (en) * 1981-01-13 1982-07-20 Kokusai Denshin Denwa Co Ltd <Kdd> Karman type equalizer
US4399515A (en) * 1981-03-31 1983-08-16 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Self-correcting electronically scanned pressure sensor
US4549277A (en) * 1982-05-24 1985-10-22 Brunson Instrument Company Multiple sensor inclination measuring system
GB8313338D0 (en) * 1983-05-14 1983-06-22 Gen Electric Co Plc Vehicle control
US4669052A (en) * 1985-07-02 1987-05-26 Motorola, Inc. Apparatus and method for calibrating a sensor
EP0237682B1 (en) * 1985-12-24 1991-02-27 Kabushiki Kaisha Toshiba Control system for optical information reproducing apparatus
US4760596A (en) * 1986-02-25 1988-07-26 Gte Laboratories Incorporated Adaptive echo cancellation and equalization system signal processor and method therefor

Also Published As

Publication number Publication date
HUT65045A (en) 1994-03-28
BR9007336A (pt) 1992-04-28
EP0470140A1 (en) 1992-02-12
AU649223B2 (en) 1994-05-19
ATE91545T1 (de) 1993-07-15
DE69002233T2 (de) 1994-03-03
CA2051681A1 (en) 1990-10-29
DK0470140T3 (da) 1993-11-29
HU903345D0 (en) 1992-02-28
WO1990013794A1 (en) 1990-11-15
DE69002233D1 (de) 1993-08-19
FI896219A0 (fi) 1989-12-22
NO307197B1 (no) 2000-02-21
ES2043374T3 (es) 1993-12-16
NO914098L (no) 1991-12-19
FI101501B1 (fi) 1998-06-30
BG95533A (bg) 1993-12-24
FI101501B (fi) 1998-06-30
NO914098D0 (no) 1991-10-18
OA09793A (en) 1994-04-15
HK136494A (en) 1994-12-09
BG60653B1 (bg) 1995-11-30
EP0470140B1 (en) 1993-07-14
SG151694G (en) 1995-03-17
JPH06510114A (ja) 1994-11-10
US5506794A (en) 1996-04-09
FI914983A0 (fi) 1991-10-23
AU5548690A (en) 1990-11-29
HU215868B (hu) 1999-03-29
MW7191A1 (en) 1994-06-08
RO118549B1 (ro) 2003-06-30

Similar Documents

Publication Publication Date Title
JPH0743271B2 (ja) センサーシステムの目盛り定めの為の装置と方法
Särkkä et al. Bayesian filtering and smoothing
Kelly A 3D state space formulation of a navigation Kalman filter for autonomous vehicles
Shen et al. Novel variable structure measurement system with intelligent components for flight vehicles
Davis Techniques for statistical analysis and prediction of geophysical fluid systems
US10982959B2 (en) Fused sensor ensemble for navigation and calibration process therefor
KR19990067656A (ko) 다이나믹 시스템에서의 적응적 칼만 필터링 방법
DeMars Nonlinear orbit uncertainty prediction and rectification for space situational awareness
Shen et al. Development of an algorithm for correction of an inertial navigation system in Off-Line mode
EP0639261B1 (en) Method for fast kalman filtering in large dynamic systems
US6957201B2 (en) Controlled capacity modeling tool
CN114526733A (zh) 一种无人机惯性测量单元角速度计鲁棒校准方法
CN111623764B (zh) 微纳卫星姿态估计方法
Rasoulzadeh et al. Implementation of A low-cost multi-IMU hardware by using a homogenous multi-sensor fusion
Xing et al. Offline calibration for MEMS gyroscope G-sensitivity error coefficients based on the newton iteration and least square methods
Das et al. Optimal sensing precision in ensemble and unscented kalman filtering
Schopp et al. Gaussian process based state estimation for a gyroscope-free IMU
Pietruszczak et al. Analysis of Selected Dynamic Properties of Fractional Order Accelerometers for Application in Telematic Equipment
Manarvi et al. Application of Kalman Filters in Orbit Determination: A Literature Survey
Legler et al. Machine learning for estimating parameters of a convective-scale model: A comparison of neural networks and random forests
Dai et al. On the Role of the Diffusion Matrix in Stiffness Mitigation for Stochastic Particle Flow Filters
Le et al. Real-time tuning unscented Kalman filter for a redundant attitude estimator in microsatellites
Drezet et al. A kernel-based technique for forecasting geomagnetic activity and prediction of Dst
Chee Norm-constrained state estimation strategies
Ma et al. A Framework of Finite-Model Kalman Filter with Case Study: MVDP-FMKF Algorithm