А ваш фильтр Калмана правильно работает?

[Rambden]

Это переводная статья? Поправьте, пожалуйста, там в статье (нет правда доступа, но по опыту и по аннотации понятно) не задача отслеживания мотоцикла (sic!), а моделирование кинематики и диманики автомобиля при помощи bicycle model. Это упрощенная модель, часто используется при создании систем управления.

[kiralexx]

Спасибо за замечание, исправил.

Нет, это не переводная статья. Только основная идея верификации с помощью non-credibility индексов взята из процитированной статьи, но написана более простым языком.

[TipTop]

Статья интересная, узнал кое-что новое. Но все же не могу пройти мимо, не сделав пару замечаний:

• Результатов самый минимум, то есть целый один, хотя фраза "основные закономерности" подразумевает минимум два.

• На рис. 5 я упорно вижу тренд. Да, он менее заметен на уровне шума, но стоит добавить хотя бы проверку на уровне статистических гипотез.

• (Традиционно) матрицы ковариации w и v считаются доступными свыше, хотя в задаче верификации их выбор может оказать существенное влияние на результаты.

• Матрица ковариации P вычисляется в том числе через v и w и в некотором роде накапливает через них ошибку. Здравый смысл подсказывает, что чем больше v и w, тем хуже будет метрика noncredibility index.

С учетом вышесказанного очень хотелось бы увидеть зависимость метрики от параметров v, w. Очень похоже, что и накопление ошибки будет непосредственно зависеть от этих параметров.

[kiralexx]

Да, вы правы, результатов минимум. На самом деле, не один, а два — когда noncredibility index растет и когда колеблется возле некоторого значения:) но в этом и преимущество данного подхода, как я считаю, что не нужно анализировать тонны данных, а достаточно посмотреть на зависимость одной переменной от времени (количества итераций).
Результаты приведены лишь схематично, на рис. 5 я сгенерировал рандомные числа с нормальным распределением с центром в точке 1.2. Но соглашусь, тренд определенно видно. Видимо, попалась неудачная выборка.
Соответствие используемых шумов w и v реальным отклонениям — это очень нетривиальный вопрос. Если для измерений возможно получить эту информацию от прибора, то для уравнений не просто понять, как влияют неучтенные факторы.
Мне кажется, что если значение P, а значит и P*, велико, то так как одно из значений стоит в числителе, а другое — в знаменателе, то если эти две матрицы близки, значение noncredibility index должно быть мало вне зависимости от значений матрицы P*.
Другое дело, что если у нас есть два фильтра: один из которых дает оценку матрице ковариаций P1, а другой P2, причем, P1 >> P2, то при условии, что оба значения близки к истине для каждого из алгоритмов, значения noncredibility index'ов не будут сильно отличаться. Хоть в таком случае очевидно, что нужно использовать алгоритм с меньшей матрицей ковариации.

[Scinolim]

То есть на рис.4 вы привели честно рассчитанный в программе индекс, а на рис.5 просто результат генератора случайных чисел?

[kiralexx]

На обоих графиках приведены сгенерированные числа. Однако, реальные графики качественно ведут себя именно подобным образом, как это показано на рис. 4-5

[Scinolim]

Пожалуйста, выкладывайте в статьях реальные данные. Вы же не художествами тут занимаетесь. Либо пишите что это иллюстрация вида функции.

[snakers4]

Статью стоило бы начать сразу с этой фразы:

К сожалению, точные результаты работы для разрабатываемой библиотеки, которые можно было бы продемонстрировать, я опубликовать не могу.