Экф википедия: EKF | EKF — информация, описание, история | Каталог производителей

О нас

1. Главная
2. О компании

Мы занимаемся разработкой, производством и продажей электрооборудования и решений на его основе.

Наша миссия: создаём надёжные и эффективные электрорешения для устойчивого будущего.

5000+

спроектированных объектов

1500+

сотрудников

3000+

точек продаж

21

лет на рынке

Более 17 000 артикулов

Основные товарные направления: низковольтная электротехническая продукция, оборудование среднего напряжения, корпуса электрощитов, изделия для электромонтажа и электроустановки, средства измерения, кабеленесущие системы, шинопровод, умный дом, молниезащита, профессиональное освещение. Ассортимент разработан с учетом отраслевой специфики и потребностей покупателей.

Перейти в каталог продукции

Комплексные решения

Приоритетное направление работы компании – разработка комплексных энергоэффективных решений для промышленных предприятий, проектирования и строительства энергетических, гражданских и инфраструктурных объектов.

Перейти в каталог решений

15 стран присутствия

Партнерская сеть компании насчитывает более 200 авторизованных дистрибьюторов и 6 000 субдилеров в России и СНГ. Продукция EKF продается в 15 странах мира.

Перейти на международный сайт

Собственное производство в РФ

В производственную базу компании входят площадки во Владимирской области. На предприятиях соблюдаются принципы устойчивого развития и ESG – забота об экологии, социальная ответственность, управление. EKF активно реализует концепцию бережливого производства и сокращения углеродного следа, уделяет внимание здоровью и безопасности сотрудников, поддерживает проекты по борьбе с недобросовестной конкуренцией.

Подробнее

7 логистических центров

Современные логистические комплексы компании расположены в Москве, Новосибирске, Екатеринбурге, Ростове-на-Дону, Алма-Ате и Ташкенте и позволяют осуществлять оперативную доставку по всей России и СНГ.
Все терминалы оснащены автоматизированной WMS-системой управления складом и находятся в локациях, удобных для подъезда еврофур.

Партнерские программы EKF

Партнерские программы EKF позволяют оптимизировать стандартные процессы и сэкономить время работы над проектом.
Решения EKF используют в своих проектах сотни тысяч профессиональных электриков, электромонтажников, сборщиков НКУ, системных интеграторов, энергетиков и проектировщиков.

EKF — специалистам электротехнической отрасли

Партнерам компания обеспечивает выгодные экономические условия, гибкую систему скидок, предоставляет полезные сервисы, дополнительные маркетинговые инструменты и обучение.

EKF — проектным институтам

Компания предлагает специалистам каталоги готовых проектных решений и 3D-модели оборудования, бесплатные сервисы для удобного и оперативного расчета спецификаций на оборудовании EKF. Продукция EKF интегрирована в наиболее востребованные программы: E-Plan, nanoCAD, AutodeskRevit, Autodesk, Autocad. Эксперты EKF обеспечивают партнерам высокий уровень сервиса, индивидуальный подход и поддержку на любом этапе проектирования.

EKF — партнер Ворлдскиллс Россия

Компания выступает спонсором мероприятий Ворлдскиллс Россия и поддерживает компетенцию «Электромонтаж» на чемпионатах профессионального мастерства. Это еще один шаг EKF по поддержке проектов, помогающих развиваться как всей экономике России, так и электротехническому рынку в частности.

Нам доверяют

Оборудование EKF бесперебойно работает на знаковых промышленных и энергетических объектах страны,
применяется в проектах крупнейших российских компаний.

Реакция «трансплантат против хозяина» (РТПХ)

Что такое реакция «трансплантат против хозяина»?

Реакция «трансплантат против хозяина» (РТПХ) — это серьезное, иногда опасное для жизни осложнение трансплантации гемопоэтических клеток (часто называемой трансплантацией костного мозга или стволовых клеток).

РТПХ может возникать после аллогенной трансплантации. В зависимости от источника гемопоэтических (кроветворных) клеток различают два типа трансплантации — аллогенную и аутологичную. При аллогенной трансплантации клетки берут у другого человека. При аутологичной трансплантации клетки берут у самого пациента.

РТПХ возникает, когда иммунные клетки донора (трансплантат) воспринимают обычные клетки тела реципиента (хозяина) как инородные и атакуют их. Симптомы иммунной реакции зависят от того, какая часть организма будет повреждена донорскими клетками.

РТПХ возникает примерно у 20–50% пациентов, перенесших трансплантацию. Она может возникнуть в любое время после трансплантации. РТПХ может с трудом поддаваться лечению и в тяжелых случаях угрожать жизни пациента.

РТПХ может быть двух типов:

• Острая
• Хроническая

Острая РТПХ

Под острой РТПХ обычно понимают заболевание, развивающееся в первые 100 дней после трансплантации. Но она может развиться в любое время. Признаки и симптомы обычно включают поражение кожи, желудочно-кишечного тракта (ЖКТ) и печени. Участвующие в реакции иммунные клетки донора — это в основном T-клетки.

Признаки и симптомы острой РТПХ

Признаки и симптомы могут быть слабыми, умеренными или тяжелыми. К ним могут относиться:

Кожа

• Сыпь
• Покраснение
• Волдыри
• Язвы

ЖКТ

• Тошнота
• Рвота
• Потеря аппетита
• Водянистая или кровавая диарея
• Боль в области живота
• Низкий уровень альбумина
• Желтуха

Печень

• Повышение уровня билирубина
• Нарушения в работе печени

Хроническая РТПХ

Хроническая РТПХ обычно определяется как заболевание, развивающееся спустя более чем 100 дней с момента трансплантации. Но она может развиться и раньше. Она напоминает аутоиммунные заболевания и может влиять на многие органы и системы органов. В основном за ее развитие отвечают T-клетки и B-клетки донора.

Признаки и симптомы хронической РТПХ

Признаки и симптомы могут быть слабыми, умеренными или тяжелыми. К ним могут относиться:

• Кожные симптомы — сыпь и зуд, шелушение кожи, утрата части кожного покрова, потемнение кожи, уплотнение текстуры кожи, рубцевание, ограничивающее подвижность суставов, например пальцев
• Повреждение или выпадение ногтей
• Выпадение волос
• Тугоподвижность суставов
• Сухость и язвы во рту и пищеводе
• Сухость и покраснение глаз
• У женщин — сухость влагалища и других слизистых оболочек
• У мужчин — укорочение и изменения пениса
• Кашель, одышка, хрипы
• Иссыхание и рубцевание легких
• Поражение или недостаточность печени
• Желтуха

Факторы риска

Факторы риска возникновения РТПХ указаны ниже.

• Степень расхождения между донором и пациентом (HLA-типирование)

Донорами при трансплантации могут быть братья или сестры, другие члены семьи или люди из Национального реестра доноров костного мозга, не являющиеся родственниками пациентов.

При выборе наилучшего донора лечащая группа ищет человека, с которым было бы максимальное совпадение по HLA. HLA означает «лейкоцитарные антигены человека». Это белки, то есть маркеры, которые имеются на большинстве клеток организма. Иммунная система использует HLA для распознавания того, относятся ли клетки к ее собственному организму или нет.

Маркеров HLA много. Половина из них наследуется от матери, вторая половина — от отца. У каждого из братьев и сестер, имеющих общих родителей, есть 25%-ный шанс (1 из 4) иметь похожий набор HLA. Вероятность совпадения HLA у других членов семьи совсем низкая. Для примерно 70% пациентов, нуждающихся в трансплантации, в семье не находится полностью совместимого донора.

Если степень совместимости донора высокая, то шансы на развитие РТПХ снижаются по сравнению с теми пациентами, у которых нет совпадения с донорами.

• Возраст донора и реципиента

Исследования показывают, что клетки от более молодых доноров обеспечивают несколько лучшую долговременную выживаемость пациентов. В 85% случаев врачи заказывают клетки от доноров в возрасте 18–44 лет. В Национальном реестре доноров костного мозга учитываются доноры в возрасте от 18 до 60 лет.

• Источник гемопоэтических (кроветворных) клеток

Некоторые исследования показывают, что при наличии большого количества Т-клеток в трансплантате риск РТПХ повышается.

• Интенсивность режима подготовки к трансплантации

Некоторые исследования показывают, что при менее интенсивной химиотерапии риск ниже по сравнению с более интенсивной.

Профилактика

Лечащая группа примет меры для профилактики РТПХ.

• Выбор донора — врачи подберут для пациента наиболее близкого по HLA донора.
• Обработка донорских клеток — донорские клетки (трансплантат) подвергают обработке для того, чтобы сократить количество Т-клеток в попытке предотвратить иммунную реакцию, вызывающую РТПХ. Эта обработка может проводиться в специальной лаборатории подготовки клеток до введения клеток пациенту или путем назначения специальных лекарственных препаратов, которые дают пациенту после введения клеток.
• Иммуносупрессивные препараты — пациентам могут давать лекарства, снижающие активность донорских иммунных клеток. Чаще всего используются циклоспорин, такролимус, сиролимус, метотрексат, микофенолата мофетил, циклофосфамид, антитимоцитарный глобулин (АТГ) и алемтузумаб.

Что могут сделать пациенты и члены их семей

Важно, чтобы сами пациенты и члены их сетей принимали активное участие в профилактике РТПХ.

• Соблюдайте указания по приему препаратов. Крайне важно, чтобы пациенты принимали лекарства в точности так, как предписано врачами.
• Следите за ранними симптомами. Сообщайте врачам о любых изменениях. Они могут указывать на РТПХ. Как правило, РТПХ лучше лечится на ранних стадиях. Быстрое реагирование может положительно сказаться на здоровье пациента в долгосрочной перспективе.
• Защищайте кожу от солнца. Пребывание на солнце может вызвать или усугубить РТПХ. Пациентам, выходящим на улицу, нужно носить шляпу, одежду с длинными рукавами, брюки и наносить солнцезащитный крем с SPF 30 или выше. Лучше всего стараться вообще не бывать на солнце.

Диагностика и наблюдение

Пациентов тщательно наблюдают для выявления признаков РТПХ. Наблюдение может включать в себя медицинские осмотры, изучение истории болезни, лабораторные анализы и процедуры диагностической визуализации.

Дальнейшие исследования зависят от симптомов. Исследования могут включать получение образца тканей путем биопсии, в том числе кожи, эндоскопию верхних отделов ЖКТ и (или) колоноскопию, лабораторные анализы и визуализирующие методы исследования.

Лечение

Лечение направлено на подавление гиперактивности донорского иммунного ответа и на переобучение иммунной системы, чтобы она не атаковала нормальные ткани хозяина. Пациентов лечат по-разному в зависимости от выраженности их симптомов.

Лекарственные препараты

Кортикостероиды, такие как метилпреднизолон, дексаметазон и преднизон, — основной метод лечения РТПХ. Эти препараты могут приниматься перорально, внутривенно, в виде крема или мази, капель для глаз или полоскания для рта.

Другие лекарства — это иммуносупрессивные препараты (как те, что перечислены выше, в разделе о профилактике), а также препараты иммунотерапии и таргетной терапии.

Светолечение

Для лечения РТПХ используются фототерапия узкополосным ультрафиолетовым излучением (ультрафиолет В) и экстракорпоральный фотофорез (ЭКФ). 

Облучение ультрафиолетом B используется для лечения кожных проблем, вызванных РТПХ. 

ЭКФ предполагает взятие крови и разделение ее на эритроциты, лейкоциты и тромбоциты. Лейкоциты затем обрабатывают препаратами и облучают ультрафиолетом. Затем эти клетки вместе с остальными возвращают в организм. Обработанные клетки могут стимулировать иммунную систему для борьбы с РТПХ.

—

Примечание. Существует распространенное ошибочное мнение о том, что РТПХ — необходимое явление для успешной трансплантации. Это не так. Для успеха трансплантации пациенту не нужно переносить РТПХ.

—
Дата изменения: январь 2019 г.

расширенных фильтров Калмана для чайников | Рауль Серрано

Начиная с Википедии:

«Фильтрация Калмана , также известная как линейно-квадратичная оценка ( LQE ), представляет собой алгоритм, который использует серию измерений, наблюдаемых во времени, содержащих статистический шум и другие неточностей и дает оценки неизвестных переменных, которые, как правило, более точны, чем оценки, основанные только на одном измерении, с использованием байесовского вывода и оценки совместного распределения вероятностей по переменным для каждого периода времени».

Предположим, что «байесовский вывод» связан со статистикой. Его цель состоит в том, чтобы делать прогнозы, используя всю доступную в настоящее время информацию, пока не будет сгенерирована новая информация. С этим утверждением мы уже можем получить основную идею фильтров Калмана.

Он считается алгоритмом объединения датчиков, поскольку использует множество входных данных от разных датчиков, которые работают лучше, чем оценка, полученная только одним измерением.

Приходится иметь дело с неполадками датчика шума, а также с внешними факторами.

Фильтр Калмана производит оценку состояния системы, усредняя все прогнозы состояния и новые измерения. Он использует средневзвешенное значение , которое выбирает соответствующие данные.

Он работает рекурсивно, но ему не нужна вся история, только последняя «лучшая догадка».

Существует еще одна концепция под названием Kalman Gain. Он определяется как относительная важность, придаваемая измерениям и оценке текущего состояния. Мы можем настроить это усиление в зависимости от результатов, которые мы хотим получить. При высоком усилении система придает больший вес самым последним измерениям, поэтому система будет подгонять их быстрее и быстрее. Если прирост ниже, система уделяет больше внимания предсказаниям.

Подводя итог, можно сказать, что усиление, близкое к единице, приведет к скачкообразной оценке лотка, а с усилением, близким к нулю, система сгладит шум, но уменьшит отклик.

Для выполнения вычислений «оценка состояния и ковариации кодируются в виде матриц для обработки множества измерений, задействованных в одном наборе вычислений». Допустим, поскольку у нас есть несколько измерений, работать с функциями сложно. Чтобы упростить процесс, мы упорядочиваем данные в Матрицы.

Давайте представим автомобиль, который обнаруживает пешехода, это будет его поток обработки. Учту, что в нашей машине два датчика, лидар и радар.

Взято из Udacity SDC Nanodegree

• Сначала система получает измерение положения пешехода относительно автомобиля.
• Система инициализирует позицию пешехода на основе первого измерения.
• По истечении периода времени, называемого Δ t , автомобиль получит еще одно измерение датчика.
• Поскольку мы работаем с расширенным фильтром Калмана, мы предполагаем, что скорость постоянна, поэтому мы вычисляем следующую позицию, используя скорость*Δt. Этот шаг называется Predict.
• Теперь модель сравнивает предсказанное местоположение с тем, что говорит датчик. Это называется обновлением . Фильтр Калмана будет придавать большее значение прогнозируемому местоположению или измеренному местоположению в зависимости от неопределенности каждого из них.
• Автомобиль прогнозирует и обновляет положение пешехода.

Возможен случай, когда автомобиль одновременно получает показания от разных датчиков. Что делает система, так это выполняет одно обновление сразу за другим, используя один и тот же прогноз для обоих обновлений.

Взято из Udacity SDC Nanodegree

Теперь поговорим о математике и физике. На шаге прогнозирования мы предполагаем, что на каждом временном шаге пешеход продолжает двигаться с одной и той же скоростью, поэтому следующее состояние можно описать этим уравнением.

х ​′​= Fx + ν

Поскольку мы точно не знаем, как вел себя пешеход на этом последнем временном шаге, он может ускорить или изменить направление движения, наша неопределенность возрастает:

P ​′​= FPF_t + Q (F_t означает транспонирование F)

Напоминаем, что F — это матрица переходов (которая имеет дело с временными шагами и постоянными скоростями), а Q — это матрица ковариаций. (тот, который имеет дело с неопределенностью). Допустим, есть связь между Неопределенностью и скоростью, Ковариация Q пропорциональна скорости, чем больше Неопределенность при более высоких скоростях и точнее при более низких. Этот процесс имеет шум, который можно записать как ν ~ N (0, Q ), что означает нулевое среднее значение и ковариацию Q, Распределение Гаусса — это имя собственное.

Существует еще одна функция, называемая функцией перехода состояния Bu , которая превращает наше уравнение в:

x ​′​​= Fx + Bu + ν

Мы не будем уделять этому много внимания. Допустим, он предсказывает положение с учетом ускорения автомобиля. Для нашей модели мы предполагаем, что ускорение постоянно.

Позже, на шаге обновления , мы сравниваем, где, по нашему мнению, находится пешеход, с данными датчика: 0043 ​′​​ – это то место, где мы предсказываем объект, который будет после времени Δ т.

Умножение на функцию измерения H-матрица удалит информацию о скорости из вектора x. Теперь мы можем сравнить нашу веру в реальность с позицией измерения лидара.

Использование матриц обрабатывает множественные измерения в нашем наборе вычислений. Это позволяет представить линейные отношения между различными переменными состояния (такими как положение, скорость и ускорение). Здесь начинают появляться матрицы:

Итак, сначала мы вычисляем временные интервалы, а затем оцениваем положение в 2D и скорость в 2D. Мы предполагаем, что скорость постоянна между временными интервалами.

Матрица переходов состояний содержит информацию для оценки положения и скорости в форме матрицы:

Взято из Udacity SDC Nanodegree

Помните, временные интервалы не являются постоянными:

Взято из Udacity SDC Nanograde

По мере увеличения интервала времени мы добавляем больше не уверены в нашем положении и скорости к ковариации состояний P.

Мы можем разделить Матрицу переходов состояний на две части: Детерминированная часть и Стохастическая часть . Стохастическая часть связана с вычислением ковариационной матрицы. Эта фотография может помочь вам выяснить связь между обеими частями:

Из моих заметок

Как вы можете видеть, вектор шума может быть разделен на неслучайную матрицу (4×2) и случайную матрицу (2×1).

Ковариационная матрица касается ожиданий, поскольку мы еще не знаем, каким будет вектор шума. Мы можем определить это как:

Взято из Udacity SDC Nanodegree

Ковариация процесса равна ожидаемому времени шума, которое он транспонирует. Как я показал ранее, шум можно разложить на G раз a.

Взято из Udacity SDC Nanodegree

Поскольку G не содержит случайных величин, мы можем вынести его за пределы. Допустим, теперь у нас есть 3 момента статистики:

• Ожидание ускорения в x (ax).
• Ожидание ускорения в y (ay)
• Ожидание произведения. Поскольку ax и y не коррелированы, это математическое ожидание равно нулю.

Когда мы перемножим все матрицы, мы получим:

Взято из Udacity SDC Nanodegree

Мы собираемся получить данные двух видов измерений (датчиков):

• Лазерные измерения
• Радарные измерения

Лазерные измерения позволяет нам получить текущее положение объекта, но не его скорость. С другой стороны, лазерные измерения имеют большее разрешение.

Радарное измерение идет дальше и позволяет нам также получить информацию о скорости, хотя это немного сложно. Мы привыкли работать с декартовыми координатами, но это измерение имеет форму полярных координат.

Здесь представлен новый тип матрицы H. Давайте посмотрим на следующее изображение.

Взято из Udacity SDC Nanodegree

Левая часть изображения представляет собой обычный фильтр Калмана. Вам просто нужно умножить H * x´, чтобы получить позицию. В правой части процесс более сложный, вам нужно вычислить отображение вручную, чтобы преобразовать декартовы координаты в полярные координаты.

Давайте поговорим о лазерных измерениях . Измерение лидара будет в следующей форме:

Взято из Udacity SDC Nanodegree

На этапе обновления нам нужно сравнить это измерение с предсказанным. Если вы помните, матрица прогнозирования имеет форму:

Взято из Udacity SDC Nanodegree

Итак, нам нужно избавиться от компонента скорости. Легко придумать матрицу для выполнения этой задачи, матрицу H:

Штриховое обозначение (´) означает, что вы уже вычислили шаг прогнозирования, но еще не обновили измерение.

Но и эти измерения имеют свою ковариацию. На каждую компоненту px и py воздействует случайный шум. Наш вектор шума w имеет те же размеры, что и вектор измерения z . Если мы умножим вектор шума на его транспонирование, то получим новую ковариационную матрицу R:

Взято из Udacity SDC Nanodegree

. На другой диагонали есть несколько нулей, что означает, что шумы px и py не коррелированы между собой. друг друга. Вы можете задаться вопросом, откуда берутся эти значения шума, они предоставлены производителем.

А теперь давай повеселимся, Радарные измерения — другая часть истории. В отличие от Лазера, Радар может измерять радиальных скоростей.

Взято из Udacity SDC Nanodegree

Чтобы упростить понимание, давайте начертим нашу систему. Происхождение из сюжета представляет нашу машину и точку, пешехода.

Взято из Udacity SDC Nanodegree

x всегда указывает в сторону движения автомобиля, а y влево. Rho — расстояние от начала координат до пешехода. Подшипник phi — угол между ро и направлением x, а ро — скорость изменения ро.

Не существует какой-либо матрицы H для лидарных измерений, которая отображала бы вектор состояния x в полярных координатах. Нам нужно отобразить его вручную, конвертируя декартовы координаты в полярные.

Взято из Udacity SDC Nanodegree

Мы можем линеаризовать систему, используя разложение Тейлора первого порядка .

Взято из Udacity SDC NanogradeИз моих заметок

Тейлор пытается предсказать поведение линейной функции, принимая во внимание начальную точку, в данном случае среднее значение (которое равно нулю).

Но будьте осторожны! Поскольку мы работаем с несколькими измерениями, частная производная превращается в якобиан такой формы:

Взято из Udacity SDC

Подытожим разницу между фильтрами Калмана и расширенными фильтрами Калмана:

• H-матрица в фильтрах Калмана будут заменены на Hj (Jacobian )
• Для вычисления y вместо матрицы H используется функция h .
• Для расчета x ′​​ вместо матрицы F используется функция обновления прогноза f .
• Матрица F будет заменена на F ​ j при вычислении P ​′​​​.

Матрицы с j являются якобианами. При изменении точки линеаризации мне приходится каждый раз пересчитывать якобианы.

Взято из Udacity SDC

Это мой личный обзор фильтров Калмана. Возможно, я допустил опечатки или концептуальные ошибки в статье, если это так, все отзывы приветствуются.

Расширенный фильтр Калмана (EKF) — документация коптера

Алгоритм расширенного фильтра Калмана (EKF) используется для
оценить положение транспортного средства, скорость и угловую ориентацию на основе
гироскопы скорости, акселерометр, компас, GPS, воздушная скорость и барометрический
измерения давления.

Преимущество EKF перед более простым дополнительным фильтром
алгоритмов (например, «Инерциальная навигация»), заключается в том, что, объединяя все доступные измерения, лучше
способный отбрасывать измерения со значительными ошибками. Это делает
транспортное средство менее подвержено неисправностям, затрагивающим один датчик. EKF также
позволяет выполнять измерения с помощью дополнительных датчиков, таких как датчик оптического потока и
лазерные дальномеры, которые будут использоваться для помощи в навигации.

Текущие стабильные версии ArduPilot используют EKF3 в качестве основного источника оценки ориентации и положения, а DCM тихо работает в фоновом режиме.
Если автопилот имеет два (или более) доступных IMU, два «ядра» EKF (т. е. два экземпляра EKF) будут работать параллельно, каждый из которых использует свой IMU.
В любой момент времени используется только вывод одного ядра EKF, причем это ядро ​​сообщает о наилучшем состоянии, которое определяется согласованностью данных его датчиков.

Большинству пользователей не требуется изменять какие-либо параметры EKF, но приведенная ниже информация содержит некоторую информацию о наиболее часто изменяемых параметрах.
Более подробную информацию можно найти на вики-странице разработчика EKF.

Следует ли использовать EKF2 или EKF3?

В общем, мы рекомендуем пользователям использовать EKF3, который теперь используется по умолчанию. Кроме того, у автопилотов 1 МБ есть только эта опция из-за нехватки места. EKF2 все еще можно использовать, но он не имеет многих улучшений EKF3, таких как новые источники датчиков, включая маяки, кодировщики колес и визуальную одометрию.

Выбор EKF и количества ядер

AHRS_EKF_USE: установите «1», чтобы использовать EKF, «0», чтобы использовать DCM для управления ориентацией и
инерциальная навигация (вертолет-3.2.1) или счисление пути (самолет) для контроля положения. В Коптере-3.3 (и выше) этот параметр принудительно установлен в «1» и не может быть изменен.

AHRS_EKF_TYPE: установите значение «2», чтобы использовать EKF2 для оценки отношения и положения, «3» для EKF3.

EK2_ENABLE, EK3_ENABLE: установите значение «1», чтобы включить EKF2 и/или EKF3 соответственно.

EK2_IMU_MASK, EK3_IMU_MASK: битовая маска, указывающая, какие IMU (например, акселерометр/гироскоп) использовать. «Ядро» EKF (то есть один экземпляр EKF) будет запущено для каждого указанного IMU.

• 1: запуск одного ядра EKF с использованием первого IMU

• 2: запускает одно ядро ​​EKF, используя только второй IMU

• 3: запуск двух отдельных ядер EKF с использованием первого и второго IMU соответственно

EK3_PRIMARY: выбирает, какое «ядро» или «полоса» используется в качестве основного. Значение 0 выбирает первую дорожку IMU в EK3_IMU_MASK, 1 — вторую и т. д. Убедитесь, что выбранная первичная дорожка существует. См. «Сходство» и «Переключение между полосами» ниже.

Примечание

Самолет и ровер переключатся с EKF2 или EKF3 на DCM, если EKF выйдет из строя или EKF не объединяет данные GPS, несмотря на то, что GPS имеет блокировку 3D.
Нет возврата с EKF3 на EKF2 (или с EKF2 на EKF1)

Предупреждение

Используя приведенные выше параметры, можно одновременно запускать до 5 AHRS (DCMx1, EKF2x2, EKF3x2), но это может привести к проблемам с производительностью, поэтому при параллельном запуске EKF2 и EKF3 установите IMU_MASK уменьшить общее количество ядер.

Привязка и переключение полос движения

EKF3 обеспечивает функцию привязки датчиков, которая позволяет ядрам EKF также использовать неосновные экземпляры датчиков, в частности, воздушной скорости, барометра, компаса (магнитометра) и GPS. Это позволяет транспортному средству лучше управлять датчиками хорошего качества и иметь возможность соответствующим образом переключаться между полосами движения, чтобы использовать наиболее эффективную полосу для оценки состояния. Дополнительные сведения и настройки см. в разделе EKF3 Affinity and Lane Switching.

Переходы GPS/не GPS

EKF3 (в ArduPilot 4.1 и выше) поддерживает переключение датчиков в полете, что может быть полезно для перехода между средами GPS и без GPS. Дополнительные сведения см. в разделе Переходы GPS / Non-GPS.

Часто изменяемые параметры

EK2_ALT_SOURCE какой датчик использовать в качестве основного источника высоты

• 0 : использовать барометр (по умолчанию)

• 1 : использовать дальномер. Не используйте эту опцию, если транспортное средство не летит в помещении с ровной землей . Для следования по местности см. инструкции по следованию местности для коптера и самолета, которые не требуют изменения этого параметра.

• 2 : использовать GPS. Полезно, когда качество GPS очень хорошее и дрейф барометра может быть проблемой. Например, если транспортное средство будет выполнять миссии на большие расстояния с изменением высоты > 100 м.

EK2_ALT_M_NSE: по умолчанию «1.0». Меньшее число снижает зависимость от акселерометров, увеличивает зависимость от барометра.

EK2_GPS_TYPE:
Управляет использованием GPS.

• 0 : использовать 3D-скорость и 2D-позицию из GPS

• 1 : использовать 2D скорость и 2D положение (скорость GPS не влияет
  к оценке высоты)

• 2: использовать 2D-позицию

• 3 : нет GPS (используется только оптический поток, если он доступен)

EK2_YAW_M_NSE: Управляет взвешиванием между GPS и компасом при расчете курса.