수학 없이 칼만 필터

실제 세계의 모든 것을 나타내는 값을 사용하여 프로그래밍한다면 적어도 칼만 필터에 대해 들어본 적이 있을 것입니다. 필터를 사용하면 여러 값 추정치를 가져와 더 나은 추정값으로 처리할 수 있습니다. 예를 들어 GPS, 추측 항법 및 광학 시스템을 통해 자신의 위치를 ​​파악하는 로봇이 있는 경우 Kalman 필터를 사용하면 모든 소스에 오류나 노이즈가 있더라도 실제 위치를 더 잘 추정하는 데 도움이 될 수 있습니다. 예상할 수 있듯이 많은 수학이 관련되어 있지만 [Pravesh]는 코드를 기반으로 한 뛰어난 직관적인 처리 기능을 제공하며 따라갈 수 있는 공동 Jupyter 노트북도 있습니다.

우리는 항상 수학보다 코드를 따르는 것이 더 쉬웠기 때문에 이런 종류의 게시물에 박수를 보냅니다. 수학을 자세히 알고 싶어도 먼저 수학이 무엇을 의미하는지에 대한 기본적인 직관을 갖고 있으면 수학에 훨씬 더 쉽게 접근할 수 있습니다.

물론 결국에는 약간의 수학이 있지만, 누락된 내용을 보여주기 위해 거기에 있는 "실제" 수학을 보여주는 Wikipedia 스크린샷을 세지 않는 한 복잡한 것은 없습니다. 예를 들어 임의의 바람과 조수의 영향을 받는 추측 항법 데이터와 실제 생활과 마찬가지로 약간의 오류가 있고 때로는 사용할 수 없는 GPS 측정값이 있는 보트가 있습니다.

물론, 측정값의 단순한 평균이 도움이 될 수 있지만 좋은 판독값을 잃을 수도 있습니다. 칼만 기술은 소스의 가중치를 사용하여 이를 완화하므로 겉으로 보기에 신뢰할 수 있는 소스가 덜 신뢰할 수 있는 소스보다 최종 답변에 더 많이 기여합니다.

로봇의 예를 선호하신다면 저희도 그런 예를 갖고 있습니다. 간단하고 성능이 떨어지는 것을 원한다면 시끄러운 데이터를 정리하는 다른 방법이 있습니다.