Создайте постоянное ускорение, отслеживающее объект Фильтра Калмана кубатуры, trackingCKF, из первоначального отчета обнаружения. Отчет обнаружения сделан из начального 3-D измерения положения состояния Фильтра Калмана в прямоугольных координатах. Можно получить 3-D измерение положения с помощью постоянной ускоряющей функции измерения, cameas.

Этот пример использует координаты, x = 1, y = 3, z = 0 и 3-D шум измерения положения [1 0.2 0; 0.2 2 0; 0 0 1].

detection = objectDetection(0, [1;3;0], 'MeasurementNoise', [1 0.2 0; 0.2 2 0; 0 0 1]);

Используйте initcackf, чтобы создать фильтр trackingCKF, инициализированный в обеспеченном положении и использовании шума измерения, заданного выше.

ckf = initcackf(detection)

ckf = 
  trackingCKF with properties:

                          State: [9x1 double]
                StateCovariance: [9x9 double]

             StateTransitionFcn: @constacc
                   ProcessNoise: [3x3 double]
        HasAdditiveProcessNoise: 0

                 MeasurementFcn: @cameas
               MeasurementNoise: [3x3 double]
    HasAdditiveMeasurementNoise: 1

Проверяйте значения состояния и шума измерения. Проверьте, что состояние фильтра, ckf.State, имеет те же компоненты положения как измерение обнаружения, detection.Measurement.

ckf.State

ans = 9×1

     1
     0
     0
     3
     0
     0
     0
     0
     0

Проверьте, что шум измерения фильтра, ckf.MeasurementNoise, совпадает со значениями detection.MeasurementNoise.

ckf.MeasurementNoise

ans = 3×3

    1.0000    0.2000         0
    0.2000    2.0000         0
         0         0    1.0000

Copyright 2018 The MathWorks, Inc.

Создайте постоянное ускорение, отслеживающее объект Фильтра Калмана кубатуры, trackingCKF, из первоначального отчета обнаружения. Отчет обнаружения сделан из начального 3-D измерения положения состояния Фильтра Калмана в сферических координатах. Можно получить 3-D измерение положения с помощью постоянной ускоряющей функции измерения, cameas.

Этот пример использует координаты, az = 30, e1 = 5, r = 100, rr = 4 и шум измерения diag([2.5, 2.5, 0.5, 1].^2).

meas = [30;5;100;4];
measNoise = diag([2.5, 2.5, 0.5, 1].^2);

Используйте свойство MeasurementParameters объекта detection задать кадр. Если не заданный, поля struct MeasurementParameters используют значения по умолчанию. В этом примере положение датчика, скорость датчика, ориентация, повышение и флаги уровня области значений являются значением по умолчанию.

measParams = struct('Frame','spherical');
detection = objectDetection(0,meas,'MeasurementNoise',measNoise,...
    'MeasurementParameters',measParams) 

detection = 
  objectDetection with properties:

                     Time: 0
              Measurement: [4x1 double]
         MeasurementNoise: [4x4 double]
              SensorIndex: 1
            ObjectClassID: 0
    MeasurementParameters: [1x1 struct]
         ObjectAttributes: {}

Используйте initcackf, чтобы создать фильтр trackingCKF, инициализированный в обеспеченном положении и использовании шума измерения, заданного выше.

ckf = initcackf(detection)

ckf = 
  trackingCKF with properties:

                          State: [9x1 double]
                StateCovariance: [9x9 double]

             StateTransitionFcn: @constacc
                   ProcessNoise: [3x3 double]
        HasAdditiveProcessNoise: 0

                 MeasurementFcn: @cameas
               MeasurementNoise: [4x4 double]
    HasAdditiveMeasurementNoise: 1

Проверьте, что состояние фильтра производит то же измерение как выше.

meas2 = cameas(ckf.State, measParams)

meas2 = 4×1

   30.0000
    5.0000
  100.0000
    4.0000