機器人感測器融合將不同速率、影格、雜訊和失效模式的測量資料結合起來，估計位置、速度、方向、偏置或其他狀態。目標不是對每個輸入均值。而是使用過程模型和不確定性，使互補證據糾正漂移，同時避免錯誤或重複的測量占主導地位。
時間對齊、座標變換和協方差通常比擴充卡爾曼濾波器和無香味卡爾曼濾波器的選擇更為重要。一個帶有陳舊時間戳或錯誤外部標的精確感測器可能會降低估計值。只有當它們的關係和相關性被真實建模時，更多的感測器才會有所幫助。
請結合 機器人感測器指南 和 校正流程閱讀此內容。將估計器輸出視為帶有不確定性的模型相關估計，而非獨立的真實資料。
融合結合了狀態預測與測量校正
狀態估計器將前一狀態傳遞到運動或過程模型中，並根據過程雜訊增加不確定性。當測量資料到達時，它預測該感測器應觀察到的內容，比較創新，並施加按不確定性加權的修正。
該結構支援非同步到達的感測器。快速的 IMU 可以傳播方向和速度，而較慢的車輪、光達、相機或衛星觀測則限制漂移。即使絕對測量間歇性，輸出率仍可較高，但在未觀測運動時不確定性必然增加。
時間戳表示測量時間，而非到達時間
感測器訊息可以在不同時間被捕獲、處理、排隊、傳輸和接收。使用主機到達時間作為捕獲時間，將延遲中的運動轉化為空間誤差。儘可能保留硬體時間，測量裝置時鐘與估計時鐘之間的對映。
表徵固定偏移、抖動和漂移。使用專門設計的估計器修正已知延遲或過程不按序測量。紀錄捕獲、釋出和接收時間分別進行。靜止時測量的準確校正在移動機器人上仍可能失效，如果資料流錯位。
| 資料欄位 | 含義 | 錯誤則為失敗 | 驗證 |
|---|---|---|---|
| 捕獲時間 | 物理測量瞬時 | 運動依賴偏置 | 觸發運動測試 |
| 影格辨識 | 座標基 | 旋轉或偏移估計 | 已知方向輸入 |
| 協變性 | 預期中的不確定性 | 加重或低估 | 創新統計 |
| 序列或源頭 | 測量標識 | 重複證據 | 訊息追蹤 |
| 健康狀態 | 有效性與模式 | 無聲的壞訊息 | 故障注入 |
座標系需要校正變換
ROS REP-105定義了常見的移動機器人框架角色，如地圖、 odom 和 base_link。地圖框架在全域校正後可以跳躍，而 odom 則預期保持區域性連續性。混合它們的語意會導致控制器的不連續性。
每個感測器外在元件必須將其測量量對映到估計約定中，並配合正確的旋轉、平移和手性。 IMU 的方向、角速度和加速度需要有檔案化的參考系與重力約定。感測器移動、碰撞或結構維護後應重新校正。
協方差告訴估計量應該信任多少
測量協方差表示不確定性，包括建模時的橫軸關係。過程雜訊表示假設運動與真實系統之間的不匹配。人為過小的數值使感測器占主導地位；過大值則阻礙有用的校正。
在靜止、移動和環境條件下估算雜訊和偏置。然後檢查創新，而不僅僅是為了視覺上的平滑路徑而調整。平滑但有偏見的估計可能比稍微有雜訊的誠實估計更不利於控制。當輪胎、負載、照明或路面發生變化時，更新參數。
| 症狀 | 可能原因 | 證據 | 調整 |
|---|---|---|---|
| 估計值嚴格遵循一個感測器 | 協方差太小 | 創新與收益 | 重新估算雜訊 |
| 更正幾乎不會改變狀態 | 協方差太大 | 殘餘持續存在 | 檢查單位與協方差 |
| 慢漂移 | 偏置或未觀察到的狀態 | 長期參考 | 模型偏置或增加觀察 |
| 更新後的振盪 | 延遲或影格錯誤 | 速度相關殘差 | 固定時間並進行變換 |
| 虛假的自信 | 相關重複輸入 | 協方差收縮得太快 | 去除或建模相關性 |
EKF 和 UKF 產生不同的非線性近似
ROS robot_localization 檔案 為多個感測器源提供了 EKF 和 UKF 狀態估計節點。 EKF 用雅可比矩陣線性化模型，而 UKF 透過非線性函式傳播選定的西格瑪點。
UKF 並非普遍更準確， EKF 也並非普遍充分。模型質量、雜訊、時序、可觀測性和實現主導了許多部署。在相同狀態、影格和協方差的相同記錄資料上進行比較，然後評估一致性、延遲和計算能力。
相關測量值不得重複計數
輪式里程計可能已經結合了左右編碼器；視覺里程計可以重複使用 IMU；可以從融合的同一區域性估計計算出全域姿態。不要把衍生輸出及其源測量當作彼此獨立的資料，否則協方差會在沒有新增資訊時被錯誤壓縮。
追蹤測量譜系。融合一次最合適的原始或推導水平，或與合適的估計量進行交叉相關建模。避免將估計量的輸出作為新的測量回饋回來。記錄每個來源貢獻的狀態成分。
創新門控包含異常值
創新是指輸入測量值與其預測值之間的差值。透過預期創新協方差進行正規化，並在驗證閾值之外拒絕或降權值。這可能包含多徑、特徵不匹配、車輪打滑或瞬時感測器故障。
門無法修復持續偏置或錯誤影格。按感測器和環境監控拒絕率。過度拒絕可能表明模型存在缺陷；沒有拒絕可能意味著閾值無效。定義長時間中斷或大規模全域重新定位後的恢復。
偏置和可觀測性決定了長期漂移
IMU 偏差與速度和位置誤差積分。車輪半徑或比例誤差會累積距離偏差。這些量是否能被估計取決於運動和外部觀測。狀態可以在數學上包含，但在可用軌跡中仍不可觀測。
設計校正運動以激發相關軸並與獨立參考進行比較。監測協方差和參數相關性。不要僅僅為了讓估計值看起來穩定，就將觀測不佳的偏差鎖定在一個有信度值上。
Fusion 和 SLAM 範圍有所重疊，但作用不同
SLAM 利用環境觀測估計地圖和機器人軌跡，而通用狀態估計器則可融合里程計、 IMU、全域姿態及其他測量資料，無需構建地圖。 OpenCV 校正工具 處理兩系統可能依賴的相機幾何。
SLAM 姿勢可以作為區域性濾波器的一個測量源，但迴環檢測跳躍必須以正確的影格語意處理。控制者通常偏好區域性連續的方向估計，而全域規劃則使用地圖對齊。定義邊界以避免回饋環和重複證據。
用參考資料和注入的失敗驗證
使用靜止、直線、轉向、停啟、不平整路面和重複環路測試。儘可能與獨立參考比較位置、方向、速度、偏置、協方差和創新。評估啟動、熱身和長時間漂移，而非單一短路徑。
注入感測器延遲、丟棄、偏差、異常值、重複訊息、轉換錯誤和輪滑。驗證不確定性增長、拒絕、恢復和控制器行為。儲存原始資料和設定，以便重放故障。過濾器在預期故障下保持有界且誠即時即為準備就緒，而不僅僅是路徑平滑。
評估“機器人感測器融合：時間、影格、協方差與狀態估計”時，還應儲存模型版本、機器人設定、校正檔案、測試日期和全部試驗記錄。
只有把這些持續投入與單位成功任務的價值比較，才能判斷方案是否適合擴大。
上線後仍要持續檢查分佈變化、感測器漂移、機械磨損和人工接管原因。
- 保持捕獲時間並測量運輸延遲。
- 校正每個感測器框架和重力約定。
- 從資料中調和不確定性，審視創新。
- 追蹤相關性，避免重複計數。
- 測試掉落、偏差、異常值和控制連線後的恢復。
常見問題
增加感測器總能提升準確度嗎？
不。額外的感測器只有在時間、參考系、協方差、偏差和相關性被建模並測量時才有用，這些測量資料會獨立地新增資訊。
UKF 總是比 EKF 更好嗎？
不。更好的選擇取決於模型的非線性、計算和實現；時序、校正和不確定性誤差通常更為重要。
協方差應如何選擇？
從相關條件下測量的雜訊和偏差開始，包含過程與模型的不匹配，然後檢查創新一致性和獨立參考誤差。
攝影機到 IMU 的定時錯誤有多嚴重？
它會根據運動產生姿態和速度偏差，尤其是在快速旋轉或振動時。測量端對端的時間戳偏移和抖動。
過濾器在一個感測器消失時應該停止嗎？
並非總是如此。它可以用剩餘輸入進行預測，但不確定性必須增加，當可觀測性喪失時，系統需要有界的減速、停止或降級策略。
狀態估計邊界註釋
估計器的輸出和協方差依賴於模型和感測器的假設，並非獨立的真值資料。用外部參考和連線的控制器驗證時間、影格、相關性、偏差、延遲和故障。