我目前正在努力从GPS，LIDAR，VISION和车辆测量中对车轮机器人姿势的传感器融合。它的模型是使用EKF的基本运动学，并且没有对传感器的歧视，即数据基于时间戳。
由于以下问题，我很难融合这些传感器；有时，当最新的传入数据来自传感器的不同传感器时，最新的机器人姿势就会出现在先前的姿势后面。因此，数据融合不会变得如此平滑和曲折的曲折。
我要丢弃数据，即以前数据的背后/向后绘制数据，并在传感器提供时间戳T和Timestamp t 1之间的数据更改时，始终提前/提前显示的数据。由于数据框架是全局框架，因此不可能依靠其x坐标为sainus来实现这一目标。
如果您对此有一些想法，请告诉我。非常感谢您。最好，
初步警告
让我在建议您问题的解决方案之前先警告：根据您当前的估计，请谨慎丢弃数据，因为您永远不知道最后一个措施是"撤回姿势"，或者以前是错误的，并引起了您的估计。向前迈进太多。
Posible Solutions
在类似卡尔曼的过滤器中，假定观测值可提供有关状态向量变量的独立，无关的信息。假定这些观察结果的随机误差分布为零平均高斯变量。但是，现实生活更难： - （
有时，度量受到"偏见"的影响（固定项，类似于具有非零平均值的高斯错误）。例如已知对流层扰动会引入GPS修复中的位置误差，随着时间的流逝，该误差缓慢漂移。如果您采用几个传感器观察相同的变量，与GPS和LIDAR的位置相同，但是它们具有不同的偏见，那么您的估计将来回跳动。缩放问题可能会产生类似的效果。
我会假设这是您问题的根源。如果没有，请完善您的问题。
您如何减轻此问题？我看到了几种选择：
- 在您的状态向量中引入一个偏差/比例校正项，以补偿传感器偏置/漂移。这是惯性传感器融合（陀螺/加速度计）EKF中非常常见的技巧，当正确调整时可以很好地工作。
- 将一些预处理应用于感觉输入以纠正已知问题。很难调整过滤器，以同时估算状态向量和传感器参数。
- 更改观察的解释。例如，使用连续位置观测值之间的差异，以便您创建一个伪造的里程表传感器。这大大减少了漂移问题。
- 后处理您的输出。与其丢弃观察值，不如将它们集成并保持"跳跃"状态向量，而是在内部平滑输出向量以消除跳跃。这是在某些无人机自动驾驶仪中完成的，因为这种跳跃会影响PID控制器的性能。
最后，最明显，最简单的方法：基于某些统计测试的丢弃观测。残差的卡方检验可用于确定观察值是否离预期值太远，必须丢弃。不过，请谨慎使用：观察拒绝方案必须使用状态向量重新定性逻辑完成以重新定位以稳定行为。
几乎所有这些解决方案都需要知道每个观察的来源，因此您将不再能够对它们进行模糊。