correctjpda

Правильная ошибочная ковариация оценки состояния и оценки состояния с помощью JPDA

Синтаксис

[x_corr,P_corr] = correctjpda(filterObj,z,jp)
[x_corr,P_corr] = correctjpda(filterObj,z,jp,varargin)
[x_corr,P_corr] = correctjpda(filterObj,z,jp,zcov)
[x_corr,P_corr,z_corr] = correctjpda(filterObj,z,jp)

Описание

[x_corr,P_corr] = correctjpda(filterObj,z,jp) возвращает исправление состояния, x_corr, и оценочной ошибочной ковариации состояния, P_corr, с помощью набора измерений z и их объединенные вероятностные коэффициенты ассоциации данных jp. Этот синтаксис поддерживает объект фильтра, filterObj, созданный trackingKF, trackingEKF, trackingMSCEKF, trackingUKF, trackingABF, trackingCKF, trackingGSF, trackingPF или trackingIMM.

[x_corr,P_corr] = correctjpda(filterObj,z,jp,varargin) задает дополнительные параметры, используемые функцией, определяемой измерения в свойстве MeasurementFcn объекта фильтра отслеживания. Этот синтаксис поддерживает объект фильтра, filterObj, созданный trackingEKF, trackingMSCEKF, trackingUKF, trackingCKF, trackingGSF, trackingPF или trackingIMM.

[x_corr,P_corr] = correctjpda(filterObj,z,jp,zcov) задает дополнительную ковариацию измерения zcov, используемый в свойстве MeasuremetNoise объекта фильтра trackingKF. Этот синтаксис только поддерживает объект фильтра, filterObj, созданный trackingKF.

[x_corr,P_corr,z_corr] = correctjpda(filterObj,z,jp) также возвращает исправление измерений, z_corr. Этот синтаксис только поддерживает объект фильтра, filterObj, созданный trackingABF.

Входные параметры

свернуть все

Отслеживание фильтра, заданного как объект. Например, можно создать объект trackingEKF как

EKF = trackingEKF
и используйте EKF в качестве значения filterObj.

Измерения, заданные как M-by-N матрица, где M является размерностью одного измерения и N, являются количеством измерений.

Типы данных: single | double

Соедините вероятностные коэффициенты ассоциации данных, заданные как (N +1) - вектор элемента. i th (i = 1, …, N) элемент jp является объединенной вероятностью, что i th измерение в z сопоставлен с фильтром. Последний элемент jp соответствует вероятности, что никакое измерение не сопоставлено с фильтром. Сумма всех элементов jp равняется 1.

Типы данных: single | double

Ковариационная матрица измерения, заданная как M-by-M матрица, где M является размерностью измерения. Та же ковариационная матрица измерения принята для всех измерений в z.

Типы данных: single | double

Аргументы функции измерения, заданные как список, разделенный запятыми. Эти аргументы являются теми же единицами, которые передаются в функцию измерения, заданную свойством MeasurementFcn фильтра отслеживания. Например, если вы устанавливаете MeasurementFcn на @cameas, и затем вызываете

[x_corr,P_corr] = correctjpda(filter,frame,sensorpos,sensorvel)
Метод correctjpda внутренне вызовет
meas = cameas(state,frame,sensorpos,sensorvel)

Выходные аргументы

свернуть все

Исправленное состояние, возвращенное как P - вектор элемента, где P является размерностью предполагаемого состояния. Исправленное состояние представляет по опыту оценка вектора состояния, учитывая текущие измерения и их вероятности ассоциации.

Исправленная ошибочная ковариационная матрица состояния, возвращенная как положительно-определенный P-by-P матрица, где P является размерностью оценки состояния. Исправленная ковариационная матрица состояния представляет по опыту оценка ковариационной матрицы состояния, учитывая текущие измерения и их вероятности ассоциации.

Исправленные измерения, возвращенные как M-by-N матрица, где M является размерностью одного измерения и N, являются количеством измерений.

Больше о

свернуть все

Алгоритм исправления JPDA для дискретного расширенного фильтра Калмана

В обновлении измерения регулярного Фильтра Калмана фильтр обычно только должен обновить состояние и ковариацию на основе одного измерения. Например, уравнения для обновления измерения дискретного расширенного Фильтра Калмана могут быть даны как

xk+=xk+Kk(yh(xk))Pk+=PkKkSkKkT

где x, k и x, k + является априорным и по опыту утверждает оценки, соответственно, K k, является усилением Кальмана, y, является фактическим измерением, и h (x k ) является предсказанным измерением. P k и P, k + является априорным и по опыту утверждает ошибочные ковариационные матрицы, соответственно. Инновационная матрица S k задана как

Sk=HkPkHkT

где H k является якобиевской матрицей для функции измерения h.

В рабочем процессе средства отслеживания JPDA фильтр должен обработать несколько вероятных измерений y i (i = 1, …, N) с отличавшимися вероятностями ассоциации β i (i = 0, 1, …, N). Обратите внимание на то, что β 0 является вероятностью, что никакие измерения не сопоставлены с фильтром. Уравнения обновления измерения для дискретного расширенного Фильтра Калмана, используемого для средства отслеживания JPDA,

xk+=xk+Kki=1Nβi(yih(xk))Pk+=Pk(1β0)KkSkKkT+Pk

где

Pk=Kki=1N[βi(yih(xk))(yih(xk))T(δy)(δy)T]KkT

и

δy=j=1Nβj(yjh(xk))

Обратите внимание на то, что эти уравнения только применяются к trackingEKF и не являются точными уравнениями, используемыми в других фильтрах отслеживания.

Ссылки

[1] Фортманн, T. Y. Панель шалом и М. Шефф. "Отслеживание гидролокатора Нескольких Целей Используя Объединенную Вероятностную Ассоциацию Данных". Журнал IEEE Океанской Разработки. Издание 8, Номер 3, 1983, стр 173 — 184.

Расширенные возможности

Введенный в R2019a

Для просмотра документации необходимо авторизоваться на сайте