KalmanDrone

MATH220 Mathematical Modelling – droneposisjonsestimering med Extended Kalman Filter (EKF) og RTS-glatter.

Prosjektstruktur

KalmanDrone/
├── main.py                   # Inngangspunkt – kjør dette
├── modelling.py                   # Hoved-pipeline: les CSV, kjør EKF/RTS, plot, eksporter
├── extended_kalmanfilter.py  # EKF-implementasjon (9-tilstandsvektor)
├── kalmanfilter.py           # Lineær Kalman-filter (6-tilstandsvektor)
├── data/
│   └── drone.csv             # Eksempeldata fra dronelogg
└── pyproject.toml            # Avhengigheter (uv)

Installasjon

Prosjektet bruker uv for avhengighetsstyring:

uv sync

Alternativt med pip:

pip install numpy matplotlib scipy

Kjøring

python main.py

Dette kjører EKF på data/drone.csv med standard parametere, viser plot og lagrer ekf_output.csv.

CSV-format

Input-CSV må ha disse kolonnene:

Kolonne	Enhet	Beskrivelse
timestamp_s	s	Tidsstempel
accel_x_ms2	m/s²	Akselerasjon x
accel_y_ms2	m/s²	Akselerasjon y
accel_z_ms2	m/s²	Akselerasjon z
gyro_x_rads	rad/s	Vinkelhastighet x
gyro_y_rads	rad/s	Vinkelhastighet y
gyro_z_rads	rad/s	Vinkelhastighet z
gps_lat_deg	°	GPS breddegrad
gps_lon_deg	°	GPS lengdegrad
baro_alt_m eller gps_alt_m	m	Høyde (barometer eller GPS)

Valgfrie kolonner true_x_m, true_y_m, true_z_m aktiverer RMSE-beregning mot ground truth.