last section we combined the sensor in an IMU to estimate an object’s orientation in this section we add a GPS sensor, GPS can measure position and velocity and so in this way we can extend fusion algorithm to estimate them as well and

Hot to get position ? GPS!

exercise

• GPS만 사용했을떄 Orientation에 대한 값은 엉망이지만 Postion 에 대한 값은 Ground Truth와 비슷하다.

• 오른쪽에 보이는 것은 X,Y,Z에 대한 값인데 무슨 값이냐 하면, Ground Truth와 현재 실험하는 데이터 값에 대한 정확도에 대한 표준 편차이다.

• 오른쪽 맨위는 QUaternion 값으로 Ground Truth와 비교하는 값이다.

• 만약 속도를 올리면 GPS만 사용할 경우에도 position 값이 정확하지 않다.

• IMU가 데드레콘으로 업데이트가 되면서 GPS하고 퓨전이 된다. 여기서 쓰인 방법으로는 EKF 방법이다.

• Estimating sensor bias is important

• bias가 점점 벗어나게 된다면 잘못된 값을 얻게 되기 떄문이다.
• Calibration을 하더라도 Draft가 되지 않게 주의해야한다.
• initial bias estimate가 중요하다, 그러기 위해서는 시간을 주어서(Coverage) intilaize를 하는 것이 좋다.

• bias draft가 생겼을때 보정할 수 있는 필터가 필요하다.

• Initialize

Real system ( we don’t know ground truth)

Kalman Filter

filter inilizied we can start with kalman filter, every common filter consists predict and correction

• 만약 GPS만 쓴다면 Prediction Step은 1초에 Velocity가 변화지 않는다고 가정하고 since there were no update to correct that assumption the estimate would drastically run away from truth
• however with the IMU, the filter is updating a hundred times a second and looking at the accelerometer in seeing that the veolocity is in fact changing. so in this way the filter can react to a changing state faster with the quick updates of IMU, then it can with the slower updates of the GPS
• once the filter converges and it has a good estimate of sensor biases then that will give us an overall better prediction and therefore a better overall state estimation. that is power of sensor fusion.

• play around with this! we can check

Reference

Matlab Sensor Fusion.