Exponenta Banner
exponenta event banner

getStateEstimate

Класс: робототехника. ParticleFilter
Пакет: робототехника

Извлечение лучше всего утверждает оценку и ковариацию от частиц

расширьте все на странице

Синтаксис

stateEst = getStateEstimate(pf)
[stateEst,stateCov] = getStateEstimate(pf)

Описание

stateEst = getStateEstimate(pf) возвращает лучшую оценку состояния на основе текущего набора частиц. Оценка извлечена на основе свойства StateEstimationMethod от объекта ParticleFilter, pf.

[stateEst,stateCov] = getStateEstimate(pf) также возвращает ковариацию вокруг оценки состояния. Ковариация является мерой неуверенности в оценке состояния. Не все оценочные методы состояния поддерживают ковариацию вывод. В этом случае getStateEstimate возвращает stateCov как [].

Входные параметры

развернуть все

Объект ParticleFilter, заданный как указатель. Смотрите robotics.ParticleFilter для получения дополнительной информации.

Выходные аргументы

развернуть все

Лучше всего утвердите оценку, возвращенную как вектор - строка с длиной NumStateVariables. Оценка извлечена на основе алгоритма StateEstimationMethod, заданного в pf.

Исправленная системная дисперсия, возвращенная как N-by-N матрица, где N является значением свойства NumStateVariables от pf. Исправленное состояние вычисляется на основе алгоритма StateEstimationMethod и MeasurementLikelihoodFcn. Если вы задаете оценочный метод состояния, который не поддерживает ковариацию, то функция возвращает stateCov как [].

Примеры

развернуть все

Скрипт Open Live Script

Создайте объект ParticleFilter и выполните прогноз и шаг исправления для оценки состояния. Фильтр частиц дает предсказанную оценку состояния на основе возвращаемого значения StateTransitionFcn. Это затем исправляет состояние на основе данного измерения и возвращаемого значения MeasurementLikelihoodFcn.

Создайте фильтр частиц со значением по умолчанию три состояния.

pf = robotics.ParticleFilter
pf = 
  ParticleFilter with properties:

           NumStateVariables: 3
                NumParticles: 1000
          StateTransitionFcn: @robotics.algs.gaussianMotion
    MeasurementLikelihoodFcn: @robotics.algs.fullStateMeasurement
     IsStateVariableCircular: [0 0 0]
            ResamplingPolicy: [1x1 robotics.ResamplingPolicy]
            ResamplingMethod: 'multinomial'
       StateEstimationMethod: 'mean'
            StateOrientation: 'row'
                   Particles: [1000x3 double]
                     Weights: [1000x1 double]
                       State: 'Use the getStateEstimate function to see the value.'
             StateCovariance: 'Use the getStateEstimate function to see the value.'

Задайте средний метод оценки состояния и систематический метод передискретизации.

pf.StateEstimationMethod = 'mean';
pf.ResamplingMethod = 'systematic';

Инициализируйте фильтр частиц в состоянии [4 1 9] с модульной ковариацией (eye(3)). Используйте 5 000 частиц.

initialize(pf,5000,[4 1 9],eye(3));

При принятии измерения [4.2 0.9 9], запуститесь, каждый предсказывает и один правильный шаг.

[statePredicted,stateCov] = predict(pf);
[stateCorrected,stateCov] = correct(pf,[4.2 0.9 9]);

Получите лучшую оценку состояния на основе алгоритма StateEstimationMethod.

stateEst = getStateEstimate(pf)
stateEst = 1×3

    4.1562    0.9185    9.0202

Смотрите также

| | |

Темы

Введенный в R2016a

Документация Robotics System Toolbox
Поддержка