- 칼만 필터는 불완전하고 신뢰할 수 없는 정보 소스를 결합하여 더 정확한 추정치를 생성하는 데 사용됩니다.
- 실제 상황은 완벽하지 않고 센서가 신뢰할 수 없기 때문에 칼만 필터가 필요합니다.
- 기사에서 제공된 코드는 칼만 필터를 파이썬에서 구현하는 방법을 보여줍니다.
- 결과는 칼만 필터에서 결합된 위치 추정치가 속도 또는 센서 독립 추정치보다 우수함을 보여줍니다.
- 칼만 필터는 흥미로운 이론적 기반을 가지고 있으며 코드를 통해 더 잘 이해할 수 있습니다.
- 가우스 함수는 칼만 필터에서 사용되는 특수 함수입니다.
- 가우스 함수는 0을 중심으로 한 무작위 숫자를 생성하며, 두 번째 매개변수는 0에서 멀어질 확률을 제어합니다.
- 표준 편차라고 불리는 두 번째 매개변수는 측정 대상의 변동량을 제어합니다.
- 가우스 함수의 히스토그램 모양은 자연에서 흔히 볼 수 있는 종 모양 분포를 따릅니다.
- 분산은 일관성의 척도로, 낮은 분산은 일관성을 나타내고 높은 분산은 변동을 나타냅니다.
- 분산 예시의 첫 번째 이미지는 분포가 넓어 분산이 높음을 나타내고, 두 번째 이미지는 분포가 좁아 분산이 낮음을 나타냅니다.