Сигма-точечный фильтр Калмана
Класс trackingUKF
создает сигма-точечный фильтр Калмана дискретного времени, используемый для отслеживания положений и скоростей объектов, с которыми можно столкнуться в автоматизированном ведущем сценарии, таком как автомобили, пешеходы, велосипеды, и стационарные структуры или препятствия. Сигма-точечный фильтр Калмана является рекурсивным алгоритмом для оценки развивающегося состояния процесса, когда измерения сделаны на процессе. Сигма-точечный фильтр Калмана может смоделировать эволюцию состояния, которое повинуется нелинейной модели движения. Измерения могут также быть нелинейными функциями состояния. Кроме того, процесс и измерения могут иметь шум. Используйте сигма-точечный фильтр Калмана, когда текущее состояние является нелинейной функцией предыдущего состояния или когда измерения являются нелинейными функциями состояния или когда оба условия применяются. Сигма-точечный фильтр Калмана оценивает неопределенность о состоянии, и его распространение через нелинейное состояние и уравнения измерения, с помощью постоянного числа точек сигмы. Точки сигмы выбраны с помощью недушистого преобразования, как параметризовано Alpha
, Beta
и свойствами Kappa
.
filter = trackingUKF
создает объект сигма-точечного фильтра Калмана для системы дискретного времени с помощью значений по умолчанию для StateTransitionFcn
, MeasurementFcn
и свойств State
. Шумы процесса и измерения приняты, чтобы быть дополнением.
задает функцию изменения состояния, filter
= trackingUKF(transitionfcn
,measurementfcn
,state
)transitionfcn
, функцию измерения, measurementfcn
и начальное состояние системы, state
.
конфигурирует свойства объекта сигма-точечного фильтра Калмана, использующего один или несколько аргументов пары filter
= trackingUKF(___,Name,Value
)Name,Value
. Любые незаданные свойства имеют значения по умолчанию.
клон | Создайте объект сигма-точечного фильтра Калмана с идентичными значениями свойств |
правильный | Исправьте вектор состояния Кальмана и утвердите ошибочную ковариационную матрицу |
correctjpda | Правильная ошибочная ковариация оценки состояния и оценки состояния с помощью JPDA |
расстояние | Расстояние от измерений до предсказанного измерения |
инициализировать | Инициализируйте сигма-точечный фильтр Калмана |
вероятность | Вероятность измерения |
предсказать | Предскажите недушистый вектор состояния Кальмана и утвердите ошибочную ковариационную матрицу |
невязка | Невязка измерения и остаточная ковариация |
Сигма-точечный фильтр Калмана оценивает состояние процесса, которым управляет нелинейное стохастическое уравнение
где xk является состоянием на шаге k. f() является функцией изменения состояния, uk средства управления на процессе. Движение может быть затронуто случайными шумовыми возмущениями, wk. Фильтр также поддерживает упрощенную форму,
Чтобы использовать упрощенную форму, установите HasAdditiveProcessNoise
на true
.
В сигма-точечном фильтре Калмана измерения являются также общими функциями состояния,
где h(xk,vk,t) является функцией измерения, которая определяет измерения как функции состояния. Типичные измерения являются положением и скоростью или некоторой функцией их. Измерения могут включать шум также, представленный vk. Снова класс предлагает более простую формулировку
Чтобы использовать упрощенную форму, установите HasAdditiveMeasurmentNoise
на true
.
Эти уравнения представляют фактическое движение объекта и фактические измерения. Однако шумовой вклад на каждом шаге неизвестен и не может быть смоделирован точно. Только статистические свойства шума известны.
[1] Браун, Р.Г. и П.И.К. Ван. Введение в случайный анализ сигнала и прикладного Кальмана, фильтрующего. 3-й выпуск. Нью-Йорк: John Wiley & Sons, 1997.
[2] Кальман, R. E. “Новый Подход к Линейным проблемам Фильтрации и Прогноза”. Транзакции Журнала ASME Базового проектирования, Издания 82, Серии D, март 1960, стр 35–45.
[3] Бледный, Эрик А. и Р. ван дер Мерв. “Сигма-точечный фильтр Калмана для Нелинейной Оценки”. Адаптивные системы для Обработки сигналов, Коммуникаций и Управления. КОГДА-SPCC, IEEE, 2000, pp.153–158.
[4] Бледный, Мерл. “Сигма-точечный фильтр Калмана”. В Кальмане Филтеринге и Нейронных сетях, отредактированных Саймоном Хейкином. John Wiley & Sons, Inc., 2001.
[5] Саркка С. “Рекурсивный байесов вывод на стохастических дифференциальных уравнениях”. Докторская диссертация. Хельсинкский политехнический университет, Финляндия. 2006.
[6] Блэкмен, Сэмюэль. Несколько - целевое отслеживание с радарными приложениями. Дом Artech, 1986.
cameas
| cameasjac
| constacc
| constaccjac
| constturn
| constturnjac
| constvel
| constveljac
| ctmeas
| ctmeasjac
| cvmeas
| cvmeasjac
| initcaukf
| initctukf
| initcvukf