これは、まさにこの状況に使用できる単純なカルマンフィルターです。これは、Androidデバイスで行ったいくつかの作業によるものです。
一般的なカルマンフィルター理論はすべてベクトルの推定に関するもので、推定の精度は共分散行列で表されます。ただし、Androidデバイスで位置を推定する場合、一般的な理論は非常に単純なケースに還元されます。Androidロケーションプロバイダーは、緯度と経度、およびメートル単位で測定される単一の数値として指定される精度で場所を提供します。つまり、カルマンフィルターの位置は2つの数値で測定されますが、共分散行列の代わりに、カルマンフィルターの精度を単一の数値で測定できます。また、緯度、経度、メートルが事実上すべての異なる単位であるという事実は無視できます。スケーリング係数をカルマンフィルターに入れてすべてを同じ単位に変換すると、
現在の場所の最良の推定は最後に既知の場所であると想定しているため、コードを改善できます。誰かが動いている場合は、Androidのセンサーを使用してより正確な推定を生成できるはずです。このコードには、1秒あたりのメートルで表される単一の自由パラメーターQがあり、新しい位置推定が存在しない場合に精度がどれだけ速く減衰するかを示します。Qパラメータが高いほど、精度が速く減衰することを意味します。カルマンフィルターは、通常、精度が予想よりも少し速く減衰する場合に良好に機能します。そのため、Androidフォンで歩き回る場合、通常はゆっくりと歩きますが、Q = 3メートル/秒でうまくいきます。ただし、高速の車で移動する場合は、明らかにより多くの数を使用する必要があります。
public class KalmanLatLong {
private final float MinAccuracy = 1;
private float Q_metres_per_second;
private long TimeStamp_milliseconds;
private double lat;
private double lng;
private float variance; // P matrix. Negative means object uninitialised. NB: units irrelevant, as long as same units used throughout
public KalmanLatLong(float Q_metres_per_second) { this.Q_metres_per_second = Q_metres_per_second; variance = -1; }
public long get_TimeStamp() { return TimeStamp_milliseconds; }
public double get_lat() { return lat; }
public double get_lng() { return lng; }
public float get_accuracy() { return (float)Math.sqrt(variance); }
public void SetState(double lat, double lng, float accuracy, long TimeStamp_milliseconds) {
this.lat=lat; this.lng=lng; variance = accuracy * accuracy; this.TimeStamp_milliseconds=TimeStamp_milliseconds;
}
/// <summary>
/// Kalman filter processing for lattitude and longitude
/// </summary>
/// <param name="lat_measurement_degrees">new measurement of lattidude</param>
/// <param name="lng_measurement">new measurement of longitude</param>
/// <param name="accuracy">measurement of 1 standard deviation error in metres</param>
/// <param name="TimeStamp_milliseconds">time of measurement</param>
/// <returns>new state</returns>
public void Process(double lat_measurement, double lng_measurement, float accuracy, long TimeStamp_milliseconds) {
if (accuracy < MinAccuracy) accuracy = MinAccuracy;
if (variance < 0) {
// if variance < 0, object is unitialised, so initialise with current values
this.TimeStamp_milliseconds = TimeStamp_milliseconds;
lat=lat_measurement; lng = lng_measurement; variance = accuracy*accuracy;
} else {
// else apply Kalman filter methodology
long TimeInc_milliseconds = TimeStamp_milliseconds - this.TimeStamp_milliseconds;
if (TimeInc_milliseconds > 0) {
// time has moved on, so the uncertainty in the current position increases
variance += TimeInc_milliseconds * Q_metres_per_second * Q_metres_per_second / 1000;
this.TimeStamp_milliseconds = TimeStamp_milliseconds;
// TO DO: USE VELOCITY INFORMATION HERE TO GET A BETTER ESTIMATE OF CURRENT POSITION
}
// Kalman gain matrix K = Covarariance * Inverse(Covariance + MeasurementVariance)
// NB: because K is dimensionless, it doesn't matter that variance has different units to lat and lng
float K = variance / (variance + accuracy * accuracy);
// apply K
lat += K * (lat_measurement - lat);
lng += K * (lng_measurement - lng);
// new Covarariance matrix is (IdentityMatrix - K) * Covarariance
variance = (1 - K) * variance;
}
}
}