correctjpda

Класс: trackingEKF

Правильная ошибочная ковариация оценки состояния и оценки состояния с помощью JPDA

расширьте все на странице

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 только.

[x_corr,P_corr] = correctjpda(filterObj,z,jp,zcov) задает дополнительную ковариацию измерения zcov, используемый в свойстве MeasurementNoise объекта фильтра trackingKF.

Этот синтаксис поддерживает объект фильтра, filterObj, созданный trackingKF только.

[x_corr,P_corr,z_corr] = correctjpda(filterObj,z,jp) также возвращает исправление измерений, z_corr.

Этот синтаксис поддерживает объект фильтра, filterObj, созданный trackingABF только.

Входные параметры

развернуть все

`filterObj` — Отслеживание фильтра
объект

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

EKF = trackingEKF

и используйте EKF в качестве значения filterObj.

`z` Измерения
M-by-N матрица

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

Типы данных: single | double

`jp` — Соедините вероятностные коэффициенты ассоциации данных
(N +1) - вектор элемента

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

`zcov` — Ковариация измерения
M-by-M матрица

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

`varargin` Аргументы функции измерения
список, разделенный запятыми имен аргумента

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

развернуть все

`x_corr` — Исправленное состояние
P- вектор элемента

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.

`P_corr` — Исправленная ошибочная ковариационная матрица состояния
положительно-определенный P-by-P матрица

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.

`z_corr` — Исправленные измерения
M-by-N матрица

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

Больше о

развернуть 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

$\begin{array}{l} x_{k}^{+} = x_{k}^{-} + K_{k} (y - h (x_{k}^{-})) \\ P_{k}^{+} = P_{k}^{-} - K_{k} S_{k} K_{k}^{T} \end{array}$

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

$S_{k} = H_{k} P_{k}^{-} H_{k}^{T}$

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,

$\begin{array}{l} x_{k}^{+} = x_{k}^{-} + K_{k} \sum_{i = 1}^{N} β_{i} (y_{i} - h (x_{k}^{-})) \\ P_{k}^{+} = P_{k}^{-} - (1 - β_{0}) K_{k} S_{k} K_{k}^{T} + P_{k} \end{array}$

где

$P_{k} = K_{k} \sum_{i = 1}^{N} [β_{i} (y_{i} - h (x_{k}^{-})) {(y_{i} - h (x_{k}^{-}))}^{T} - (δ y) {(δ y)}^{T}] K_{k}^{T}$

$δ y = \sum_{j = 1}^{N} β_{j} (y_{j} - h (x_{k}^{-}))$

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

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

correctjpda поддерживает только генерацию кода с двойной точностью, не с одинарной точностью.

Документация

correctjpda

Синтаксис

Описание

Входные параметры

`filterObj` — Отслеживание фильтра
объект

`z` Измерения
M-by-N матрица

`jp` — Соедините вероятностные коэффициенты ассоциации данных
(N +1) - вектор элемента

`zcov` — Ковариация измерения
M-by-M матрица

`varargin` Аргументы функции измерения
список, разделенный запятыми имен аргумента

Выходные аргументы

`x_corr` — Исправленное состояние
P- вектор элемента

`P_corr` — Исправленная ошибочная ковариационная матрица состояния
положительно-определенный P-by-P матрица

`z_corr` — Исправленные измерения
M-by-N матрица

Больше о

Алгоритм исправления JPDA для дискретного расширенного фильтра Калмана

Ссылки

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Введенный в R2019a

Документация Sensor Fusion and Tracking Toolbox

Поддержка

Документация

correctjpda

Синтаксис

Описание

Входные параметры

filterObj — Отслеживание фильтра объект

z Измерения M-by-N матрица

jp — Соедините вероятностные коэффициенты ассоциации данных (N +1) - вектор элемента

zcov — Ковариация измерения M-by-M матрица

varargin Аргументы функции измерения список, разделенный запятыми имен аргумента

Выходные аргументы

x_corr — Исправленное состояние P- вектор элемента

P_corr — Исправленная ошибочная ковариационная матрица состояния положительно-определенный P-by-P матрица

z_corr — Исправленные измерения M-by-N матрица

Больше о

Алгоритм исправления JPDA для дискретного расширенного фильтра Калмана

Ссылки

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Введенный в R2019a

Документация Sensor Fusion and Tracking Toolbox

Поддержка

`filterObj` — Отслеживание фильтра
объект

`z` Измерения
M-by-N матрица

`jp` — Соедините вероятностные коэффициенты ассоциации данных
(N +1) - вектор элемента

`zcov` — Ковариация измерения
M-by-M матрица

`varargin` Аргументы функции измерения
список, разделенный запятыми имен аргумента

`x_corr` — Исправленное состояние
P- вектор элемента

`P_corr` — Исправленная ошибочная ковариационная матрица состояния
положительно-определенный P-by-P матрица

`z_corr` — Исправленные измерения
M-by-N матрица

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.