यहाँ एक साधारण कलमन फ़िल्टर है जिसका उपयोग इस स्थिति के लिए किया जा सकता है। यह कुछ काम से आया था जो मैंने एंड्रॉइड डिवाइस पर किया था।
जनरल कलमन फ़िल्टर थ्योरी वैक्टर के लिए सभी अनुमानों के बारे में है, जो कि कोवरियन मैट्रिस द्वारा दर्शाए गए अनुमानों की सटीकता के साथ है। हालांकि, एंड्रॉइड डिवाइसों पर स्थान का अनुमान लगाने के लिए सामान्य सिद्धांत बहुत सरल मामले में कम हो जाता है। एंड्रॉइड लोकेशन प्रदाता एक सटीकता के साथ एक अक्षांश और देशांतर के रूप में स्थान देते हैं, जो मीटर में मापा जाने वाले एकल नंबर के रूप में निर्दिष्ट होता है। इसका मतलब यह है कि एक कोवरियन मैट्रिक्स के बजाय, कलमन फ़िल्टर में सटीकता को एक ही संख्या से मापा जा सकता है, भले ही कलमन फ़िल्टर में स्थान दो संख्याओं द्वारा मापा गया हो। इस तथ्य के बावजूद कि अक्षांश, देशांतर और मीटर प्रभावी रूप से सभी विभिन्न इकाइयों को नजरअंदाज किया जा सकता है, क्योंकि यदि आप कलिंग फिल्टर में स्केलिंग कारकों को उन सभी इकाइयों में बदलने के लिए डालते हैं,
कोड में सुधार किया जा सकता है, क्योंकि यह मानता है कि वर्तमान स्थान का सबसे अच्छा अनुमान अंतिम ज्ञात स्थान है, और यदि कोई व्यक्ति आगे बढ़ रहा है तो बेहतर अनुमान लगाने के लिए एंड्रॉइड के सेंसर का उपयोग करना संभव होना चाहिए। कोड में एक एकल मुक्त पैरामीटर क्यू है, जिसे प्रति सेकंड मीटर में व्यक्त किया गया है, जो बताता है कि किसी भी नए स्थान अनुमानों की अनुपस्थिति में सटीकता कितनी जल्दी घट जाती है। एक उच्च क्यू पैरामीटर का मतलब है कि सटीकता तेजी से कम हो जाती है। कलमन फिल्टर आम तौर पर बेहतर काम करते हैं जब सटीकता थोड़ी तेज हो सकती है जिसकी कोई उम्मीद कर सकता है, इसलिए एंड्रॉइड फोन के साथ घूमने के लिए मुझे लगता है कि क्यू = 3 मीटर प्रति सेकंड ठीक काम करता है, भले ही मैं आम तौर पर धीमी गति से चलता हूं। लेकिन अगर एक तेज़ कार में यात्रा करते हैं तो एक बड़ी संख्या स्पष्ट रूप से इस्तेमाल की जानी चाहिए।
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;
}
}
}