Mogę wypowiadać się wyłącznie w imieniu branży, w której pracowałem (maszyny ciężkie). Widziałem tylko filtry Kalmana używane w praktyce jako obserwatorzy.

Większość źródeł danych w ciężkich maszynach jest dość hałaśliwa (czujniki ciśnienia lub przyspieszeniomierza). Filtry Kalmana (w porównaniu do prostszych obserwatorów Luenbergera) zapewniają lepszą odporność w obliczu wysokiego poziomu hałasu. Widziałem, jak ogólnie zachowują się solidniej niż obserwatorzy Luenbergera. Widziałem rozszerzone filtry Kalmana używane do fuzji czujników również w systemach nieliniowych.

Różne bardziej wyszukane metody mogą często mieć zwiększone wymagania obliczeniowe, co utrudnia implementację we wbudowanych mikroprocesorach. Ponadto ogólna popularność filtrów Kalmana oznacza, że ​​istnieje większe prawdopodobieństwo, że menedżerowie i inżynierowie spoza obszarów kontroli przynajmniej słyszeli o nich wcześniej. Ten rodzaj „rozpoznawalności marki” może pomóc w przypadku wewnętrznej sprzedaży rozwiązania w dużej firmie, która nie koncentruje się na kontrolach. Oprócz tego, wsparcie w różnych bibliotekach lub w pakietach takich jak Simulink / Matlab jest dość stare i zostało już znacznie przetestowane pod obciążeniem.

Wiem, że obserwatory Luenbergera i obserwatorów trybu ślizgowego są używane w algorytmach sterowania zorientowanego na pole do szacowania położenia wirnika i prędkości maszyn synchronicznych z magnesami trwałymi (PMSM). Oto biała księga TI, w której wspominają o obserwatorze w trybie przesuwnym. A tutaj jest biała księga Freescale, która wspomina o obserwatorze Luenberger. Oto kolejna z Freescale, która mówi o obserwatorze w trybie przesuwu.