最近执行了一个高帧率测量的项目。之前关注点都在测量。当测量得到海量的数据时就需要一些数据处理方式来应对海量的数据。比如怎么针对数据跳变根据位移计算速度和加速度时如何消除一次差分和二次差分带来的波动等问题。这个时候接触到一个滤波器就是卡尔曼滤波。之前在自动驾驶领域看到过相关的介绍但只是泛泛了解真正使用后才明白一些原理。不过我使用也非常有限本文只说一些使用心得不推导公式不阐述原理。因为需要测量出目标的移动状态比如位移速度加速度。所以我使用了卡尔曼滤波的均加速滤波器。使用这个并不是说加速度一定是恒定值只是因为涉及实时解算综合考虑计算效率和使用需求选择了这个滤波器。我感觉卡尔曼滤波就是一种根据历史数据来建立一种模型同时建立权矩阵如果测量传入的数值和模型预测的值差距过大就认为测量值有问题模型预测值的权重就增大同理如果没问题测量值的权值就大一些这些还可以提前设置一些权重阈值判断阈值等来辅助模型判断。当然嗨哟一些细节虽然也很重要但不好描述出来能提炼的内容就这么多。随着后续使用增加可以慢慢添加对它的理解。顺便说一下现在的AI工具对数据分析实在是太厉害效率高不说分析的结论更全面直观非常利于快速的定位问题优化处理算法。特别是生成这种可视化图表效果非常直观