-
Notifications
You must be signed in to change notification settings - Fork 1
/
misc.py
202 lines (161 loc) · 6.35 KB
/
misc.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
'''
Cosas varias
'''
import numpy as np
from config import prm
class RequestRestartException(Exception):
'''
No es realmente una excepción sino que provoca que el programa se reinicie
Lo uso para que al cambiar ciertos parámetros uno pueda reiniciar el
programa haciendo "raise RequestRestartException()", pero al mismo tiempo
mantener los parámetros cambiados.
Funciona porque main.py se encarga de reiniciar cuando esta excepción
ocurre.
'''
class PositionFilter:
def __init__(self):
'''
Filtro para la detección de cabeza
Suaviza las coordenadas X, Y, Z de la posición de la cabeza en
centimetros
Basado en https://www.cs.utexas.edu/~teammco/misc/kalman_filter/
Otra explicación:
https://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/
Variables en minúscula son vectores, en mayúscula son matrices
No tenemos vector de control que se le suele llamar c, por lo tanto
tampoco usamos matriz B
'''
# Se puede usar para determinar qué estados se pueden medir y cuales no
# h = 0.1
h = prm['filter_h']
self.H = np.array([
[ 1, 0, 0, h, 0, 0],
[ 0, 1, 0, 0, h, 0],
[ 0, 0, 1, 0, 0, h],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
])
# Error de acción, mientras mayor es el valor significa que se confía
# menos en las predicciones de las ecuaciones y más en los datos reales
# q = 0.1
q = prm['filter_q']
self.Q = np.array([
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, q, 0, 0],
[ 0, 0, 0, 0, q, 0],
[ 0, 0, 0, 0, 0, q],
])
# Error de sensor, mientras mayor es el valor significa que se confía
# menos en las mediciones reales
# r = 0.2
r = prm['filter_r']
self.R = np.array([
[ r, 0, 0, 0, 0, 0],
[ 0, r, 0, 0, 0, 0],
[ 0, 0, r, 0, 0, 0],
[ 0, 0, 0, r, 0, 0],
[ 0, 0, 0, 0, r, 0],
[ 0, 0, 0, 0, 0, r],
])
# Matriz identidad, la defino por conveniencia
self.I = np.identity(6)
# Terminar de inicializar las cosas, que se hacen en reset()
self.reset()
def reset(self):
'''
Reinicia el filtro de Kalman a valores iniciales
'''
# Temporizador de salto, cuenta el tiempo desde el último salto
# detectado para no permitir dos saltos en muy poco tiempo
self.jump_timer = 0
# Estimación de estado, se va actualizando
# Comenzar suponiendo que la cara está al centro y a 30cm de la pantalla
self.x = np.array([0, 0, 30, 0, 0, 0])
# Matriz de estimación de error, se puede dejar en cero y luego se va
# actualizando en cada paso
self.P = np.array([
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0],
])
def filter(self, delta_t, pos):
'''
Ejecutar un paso del filtro
Ingresar tiempo en segundos desde último filtrado y nuevo vector de
posicion: [X, Y, Z]
'''
# Incrementar timer de salto con el tiempo pasado desde ultimo frame
self.jump_timer += delta_t
# Si el filtro está deshabilitado, almacenar posición (dejando
# velocidades en cero) y devolver lo mismo que se recibió
# También devolver que no hubo salto
if not prm['filter_enabled']:
self.x = np.append(pos, (0, 0, 0))
return self.x[:3], False
# Matrix de predicción, se usa para decir que en la predicción
# nuevo_x = A * viejo_x
# Las tres primeras filas dicen que la nueva posición es igual a la
# anterior más delta_t por velocidad
# Las otras tres dicen que la nueva velocidad es igual a la anterior
# menos una fricción por delta_t
dt = delta_t
a = prm['filter_a']
self.A = np.array([
[ 1, 0, 0, dt, 0, 0],
[ 0, 1, 0, 0, dt, 0],
[ 0, 0, 1, 0, 0, dt],
[ 0, 0, 0, a, 0, 0],
[ 0, 0, 0, 0, a, 0],
[ 0, 0, 0, 0, 0, a],
])
# Calcular velocidades y crear vector de medición
m = np.append(pos, self.x[3:])
# Paso de predicción
self.x = (self.A @ self.x)
self.P = (self.A @ self.P @ self.A.T) + self.Q
# Paso de corrección
S = (self.H @ self.P @ self.H.T) + self.R
K = (self.P @ self.H.T) @ np.linalg.inv(S)
y = m - (self.H @ self.x)
self.x = self.x + (K @ y)
self.P = (self.I - (K @ self.H)) @ self.P
jump_detected = False
if self.x[4] > prm['filter_v_threshold']:
# Salto detectado debido a velocidad vertical
if self.jump_timer > prm['filter_jump_timer']:
# Pasó suficiente tiempo desde último salto
jump_detected = True
self.jump_timer = 0
return self.x[:3], jump_detected
def predict(self, delta_t):
# Si el filtro está deshabilitado devolver última posición
if not prm['filter_enabled']:
return self.x[:3]
# Incrementar timer de salto con el tiempo pasado desde ultimo frame
self.jump_timer += delta_t
# Matrix de predicción, se usa para decir que en la predicción
# nuevo_x = A * viejo_x
# Las tres primeras filas dicen que la nueva posición es igual a la
# anterior más delta_t por velocidad
# Las otras tres dicen que la nueva velocidad es igual a la anterior
# menos una fricción por delta_t
dt = delta_t
a = prm['filter_a']
self.A = np.array([
[ 1, 0, 0, dt, 0, 0],
[ 0, 1, 0, 0, dt, 0],
[ 0, 0, 1, 0, 0, dt],
[ 0, 0, 0, a, 0, 0],
[ 0, 0, 0, 0, a, 0],
[ 0, 0, 0, 0, 0, a],
])
# Paso de predicción
self.x = (self.A @ self.x)
self.P = (self.A @ self.P @ self.A.T) + self.Q
return self.x[:3]