correctjpda

Фильтр отслеживания использования правильного состояния и ковариации ошибки оценки состояния и JPDA

Описание

[xcorr,Pcorr] = correctjpda(filter,zmeas) возвращает откорректированное состояние, xcorr, и откорректированная ошибочная ковариация оценки состояния, Pcorr, для следующего временного шага входного фильтра отслеживания. Откорректированные значения основаны на наборе измерений, zmeas, и их объединенные вероятностные коэффициенты ассоциации данных, jpdacoeffs. Эти значения перезаписывают внутреннее состояние и ошибочную ковариацию оценки состояния filter.

[xcorr,Pcorr] = correctjpda(filter,zmeas,jpdacoeffs,measparams) задает дополнительные параметры, используемые функцией измерения, которая задана в MeasurementFcn свойство объекта фильтра отслеживания.

Если фильтром является trackingKF объект, затем вы не можете использовать этот синтаксис.

[xcorr,Pcorr] = correctjpda(filter,zmeas,jpdacoeffs,zcov) задает дополнительную ковариацию измерения, zcov, используемый в MeasurementNoise свойство filter.

Можно использовать этот синтаксис только когда filter trackingKF объект.

correctjpda(filter,___) обновления filter с откорректированной ошибочной ковариацией оценки состояния и оценки состояния, не возвращая откорректированные значения. Задайте фильтр отслеживания и любую из комбинаций входных аргументов от предыдущих синтаксисов.

xcorr = correctjpda(filter,___) обновления filter с откорректированной ошибочной ковариацией оценки состояния и оценки состояния, но возвращает только откорректированное состояние, xcorr.

Входные параметры

свернуть все

Отфильтруйте для объектного отслеживания, заданного как один из этих объектов:

  • trackingKF — Линейный Фильтр Калмана

  • trackingEKF — Расширенный Фильтр Калмана

  • trackingUKF — Сигма-точечный фильтр Калмана

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 jpdacoeffs объединенная вероятность что i th измерение в zmeas сопоставлен с фильтром. Последний элемент jpdacoeffs соответствует вероятности, что никакое измерение не сопоставлено с фильтром. Сумма всех элементов jpdacoeffs должен равняться 1.

Типы данных: single | double

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

Типы данных: single | double

Аргументы функции измерения, заданные как список, разделенный запятыми аргументов. Эти аргументы являются теми же единицами, которые передаются в функцию измерения, заданную MeasurementFcn свойство фильтра отслеживания. Если filter trackingKF объект, затем вы не можете задать measparams.

Предположим, что вы устанавливаете MeasurementFcn к @cameas, и затем вызовите correctjpda:

[xcorr,Pcorr] = correctjpda(filter,frame,sensorpos,sensorvel)
correctjpda функционируйте внутренне вызывает следующее:
meas = cameas(state,frame,sensorpos,sensorvel)

Выходные аргументы

свернуть все

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

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

Больше о

свернуть все

Алгоритм коррекции 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 варьировавшимися 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 в средстве 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 точные уравнения, используемые 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

Смотрите также

| | | | | |

Введенный в R2019a

Для просмотра документации необходимо авторизоваться на сайте