правильный
Класс: trackingKF
Исправьте вектор состояния Кальмана и утвердите ковариационную матрицу
Синтаксис
[xcorr,Pcorr]
= correct(filter,z)
[xcorr,Pcorr]
= correct(filter,z,zcov)
Описание
[ возвращает исправленный вектор состояния, xcorr,Pcorr]
= correct(filter,z)xcorr, и исправленную ошибочную ковариационную матрицу состояния, Pcorr, фильтра отслеживания, filter, на основе текущего измерения, z. Внутреннее состояние и ковариация Фильтра Калмана перезаписываются исправленными значениями.
[ также задает ковариационную матрицу погрешности измерения, xcorr,Pcorr]
= correct(filter,z,zcov)zcov. Когда задано, zcov используется в качестве шума измерения. В противном случае шум измерения будет иметь значение свойства MeasurementNoise.
Исправленное состояние и ковариация заменяют внутренние значения Фильтра Калмана.
Входные параметры
Выходные аргументы
Примеры
Постоянная скорость линейный фильтр Калмана
Создайте линейный Фильтр Калмана, который использует модель движения 2D Constant Velocity. Примите, что измерение состоит из x-y местоположения объекта.
Задайте оценку начального состояния, чтобы иметь нулевую скорость.
x = 5.3; y = 3.6; initialState = [x;0;y;0]; KF = trackingKF('MotionModel','2D Constant Velocity','State',initialState);
Создайте измеренные положения из траектории постоянной скорости.
vx = 0.2; vy = 0.1; T = 0.5; pos = [0:vx*T:2;5:vy*T:6]';
Предскажите и исправьте состояние объекта.
for k = 1:size(pos,1) pstates(k,:) = predict(KF,T); cstates(k,:) = correct(KF,pos(k,:)); end
Постройте дорожки.
plot(pos(:,1),pos(:,2),'k.', pstates(:,1),pstates(:,3),'+', ... cstates(:,1),cstates(:,3),'o') xlabel('x [m]') ylabel('y [m]') grid xt = [x-2 pos(1,1)+0.1 pos(end,1)+0.1]; yt = [y pos(1,2) pos(end,2)]; text(xt,yt,{'First measurement','First position','Last position'}) legend('Object position', 'Predicted position', 'Corrected position')
