キャリブレーションとローカリゼーションに拡張カルマンフィルターを使用すると、どのようなパフォーマンスが期待できますか？

現在、6つの状態変数を追跡するために拡張カルマンフィルターを使用する三輪車スタイルのロボットがあります。システムへの入力は、操舵エンコーダー、距離エンコーダー、および既知のランドマークに方位情報のみを返す回転レーザーです。現在、両方のエンコーダーがメインホイールに配置されています（操縦し、動力も供給されるもの）。

カルマンフィルターによって追跡される6つの変数は、X、Y、ヘディング、距離スケーリング（距離エンコーダーのキャリブレーション）、ステアキャリブレーション（ステアエンコーダーのオフセット）、最後に回転レーザーのベアリングキャリブレーションです。

この種のシステムを使用して、車両を組み立て、ランドマークが豊富な既知の良好な場所を提供し、少し走行します。最終的には、目印の少ない確実な距離で長距離を走行できる、十分に調整された車両になります。そのシンプルで素晴らしい作品です。時間の経過とともにエンコーダーがドリフトすると、自動的にドリフトに追従して調整されます。

現在、同じ原理を複数の操舵輪と駆動輪を備えたロボットに適用しようとしています。この場合、車両は任意の方向に移動したり、所定の位置でスピンしたりできます。各ステアリング/ドライブホイールには、それぞれを調整する必要のある独自のステアリングおよび距離エンコーダーがあります。

より複雑なシステムから同じ種類の信頼性とパフォーマンスを得ることが期待できますか？より多くの変数を含めるためにカルマンフィルターを拡張するときに注意すべき一般的な落とし穴はありますか？次善の値に落ち着くリスクはありますか？

私の意見では（ナビゲーションにEKFを使用した私の限られた経験に基づく）：

EKFのパフォーマンスは、優れた運動モデルによって大幅に改善できます。三輪車システムのステアリングモデルと走行距離モデルにバイアスを含めることで、正しい結果が得られました。より複雑なシステムの詳細なキネマティクスモデルを導出して適用できる場合は、かなりうまくいくはずです。そうでない場合、EKFは、センサーエラーと線形化エラーに加えて、モデリングのエラーも考慮する必要があります。これは危険です。考慮されていないエラーのソースを含めると、フィルターの整合性が非常に速くなります。

問題が解決しない場合（フィルターがうまく収束しない場合）、複数のモデルメソッド（IMM）を試すことができます。したがって、私のアドバイスは、システムをできるだけモデル化することです。EKFには、これらのタスクに関する非常に優れた実績があります。幸運を。