Kalman-Filter ohne Mathematik

Wenn Sie mit Werten programmieren, die irgendetwas in der realen Welt darstellen, haben Sie wahrscheinlich zumindest schon vom Kalman-Filter gehört. Mit dem Filter können Sie mehrere Wertschätzungen vornehmen und diese zu einer besseren Schätzung verarbeiten. Wenn Sie beispielsweise einen Roboter haben, der über GPS, Koppelnavigation und ein optisches System eine Vorstellung davon hat, wo er sich befindet, kann Ihnen der Kalman-Filter dabei helfen, Ihre wahre Position besser einzuschätzen, auch wenn alle diese Quellen Fehler oder Rauschen aufweisen. Wie Sie vielleicht erwarten, ist viel Mathematik im Spiel, aber [Pravesh] verfügt über eine ausgezeichnete intuitive Behandlung, die auf Code basiert und sogar ein kollaboratives Jupyter-Notizbuch enthält, das Sie mitverfolgen können.

Es fiel uns schon immer leichter, dem Code zu folgen als der Mathematik, deshalb begrüßen wir solche Beiträge. Selbst wenn Sie sich mit Mathematik befassen möchten, ist es viel einfacher, zunächst ein grundlegendes Gespür dafür zu haben, was die Mathematik bedeutet.

Natürlich gibt es am Ende etwas Mathematik, aber nichts Kompliziertes, es sei denn, Sie zählen den Wikipedia-Screenshot, der die „echte“ Mathematik zeigt, um Ihnen zu zeigen, was Ihnen entgeht. Das Beispiel ist ein Boot mit Koppelnavigationsdaten, die durch zufälligen Wind und Gezeiten beeinflusst werden, sowie GPS-Messungen, die ebenfalls einige Fehler aufweisen und manchmal nicht verfügbar sind, genau wie im wirklichen Leben.

Natürlich kann ein einfacher Mittelwert der Messungen hilfreich sein, aber er kann auch einen guten Messwert verfälschen. Die Kalman-Techniken verwenden Gewichtungen der Quellen, um dies abzumildern, sodass scheinbar zuverlässigere Quellen mehr zur endgültigen Antwort beitragen als weniger zuverlässige.

Wenn Sie ein Roboterbeispiel bevorzugen, haben wir auch welche. Wenn Sie etwas Einfaches und möglicherweise weniger Leistungsfähiges wünschen, gibt es andere Möglichkeiten, verrauschte Daten zu bereinigen.