Повышение точности позиционирования за счет адаптивной фильтрации

(По материалам презентации UWB RTLS на международном форуме. Апрель 2015.)

Чтобы «сгладить» траектории движения объектов в RTLS обычно используется фильтр Кальмана. Однако при изменении динамики поведения объекта сам фильтр вносит дополнительную погрешность. Математики и программисты ООО «РТЛС» создали программный модуль адаптивной фильтрации (IMM-KFEngine), позволяющий существенно повысить точность вычисления траекторий движения объектов при их различном «поведении».

Для UWB RTLS характерна высокая точность определения координат (до 10 см) и высокая частота обновлений (повторных замеров) – до 10-20 раз в секунду. Но даже эта технология не позволяет полностью исключить влияние помех. В результате существует случайный разброс измеренных и вычисленных значений координат от их фактических величин. Чтобы сгладить этот разброс, каждые вновь полученные значения координат коррелируются с ранее вычисленными – с «историей перемещений». Традиционно в RTLS для этого используются фильтры Кальмана.

Однако эффективность фильтра Кальмана зависит от «поведения» (динамики движения) объекта. Обычно, изменяя параметры фильтра, настраивают его полосу пропускания так, чтобы он обеспечивал приемлемое качество фильтрации координат, независимо от типа поведения объекта (в покое, равномерно движется, ускоряется/замедляется, меняет направление движения и т.п.). Однако для любой отдельно взятой модели поведения такой фильтр оказывается не оптимальным.

Математики и программисты ООО «РТЛС» разработали программный модуль IMM-KFEngine(Interactive Multiple Model Kalman Filter Engine) – «интерактивный блок многомодельных фильтров Кальмана», который включает несколько фильтров, каждый из которых оптимизирован для определенной динамики движения объекта, и даже для разных типов маневров носителей (например, для разворота по кругу).



В процессе работы данные получаемых замеров сравниваются с предсказаниями моделей поведения объектов и выбирается оптимальный фильтр, который и используется для расчета новых координат метки.

Проведенные сравнительные модельные испытания показали, что интерактивный мультимодельный выбор фильтров (IMM, на графиках – зеленый) эффективнее традиционно применяемого фильтра Кальмана (EKF, на графиках – красный). Реальная траектория движения объекта на графиках обозначена как Reference.

IMM быстрее реагирует на маневры объекта:


IMM точнее отслеживает равномерное движение объекта: 


IMM точнее определяет координаты неподвижного объекта: