Devo filtrar (kalman / lowpass) depois de obter os valores brutos de um sensor ou depois de converter os valores brutos em dados utilizáveis? Isso importa? Se sim, por quê?
Exemplo: Filtre após obter valores brutos do IMU ou filtre após converter valores brutos em dados utilizáveis, por exemplo. parâmetros de dinâmica de vôo.
Respostas:
O KF estima a pose do robô com base em todas as entradas do sensor e na correlação do sensor . Se você fizer uma EKF nos dados da bússola, você realmente precisa a pose robô para determinar a probabilidade de uma determinada leitura da bússola é . Sem isso, você é apenas um filtro passa-baixo (sem usar um filtro probabilístico como o KF).
Se você filtrar antes de colocar tudo no mesmo quadro, então eu não sei o que informação que você teria que fazer a filtragem em . Como não sei exatamente o que você quer dizer com "utilizável", presumo que você converteu todos os dados do sensor no quadro de coordenadas do robô. Nesse caso, a filtragem é muito fácil, pois você pode colocar todas as leituras do sensor diretamente em um EKF. De fato, esta é a maneira "normal" de fazer a filtragem, com a qual estou familiarizado.
Exemplo : digamos que sua IMU esteja conectada a um robô. A IMU será usada para estimar a pose do robô. Não importa quais unidades você usa, desde que a IMU esteja lhe dizendo algo sobre como o robô está se movendo. Em seguida, você pode usar a corelação da IMU para outras coisas que medem o movimento, como a bússola ou os odômetros. É para isso que serve o KF. O KF não é um filtro de sensor como um filtro passa-banda ou algo assim.
Há uma resposta muito relevante aqui .
Filtre os dados brutos.
Filtrando as ervas daninhas (espero) a maioria dos ruídos e erros. Dados brutos geralmente não são tão úteis.
Deriva de giroscópios, bússolas tem muito barulho. Kalman pode remover os dois.