Как вы можете создать IMU + алгоритм сплава GPS, подходящий для беспилотных воздушных транспортных средств (БПЛА) или quadcopters.

Сгенерируйте сценарий управления воздушным движением, симулируйте радарные обнаружения от радара наблюдения аэропорта (ASR) и сконфигурируйте средство отслеживания глобального самого близкого соседа (GNN), чтобы отследить симулированные цели с помощью радарных обнаружений. Это позволяет вам оценить различные целевые сценарии, радарные требования и настройки средства отслеживания, не нуждаясь в доступе к дорогостоящему самолету или оборудованию. Этот пример покрывает целый синтетический рабочий процесс данных.

Плавьте радарные обнаружения от многоплатформенной радарной сети. Сеть включает два бортовых и наземные радарные платформы дальние. Смотрите Многоплатформенный Радарный пример Генерации Обнаружения для деталей. Центральное средство отслеживания обрабатывает обнаружения со всех платформ в фиксированном интервале обновления. Это позволяет вам оценить производительность сети против различных целевых типов и маневров, а также конфигураций платформы и местоположений.

Симулируйте многофункциональную поэтапную радиолокационную систему массивов. Многофункциональный радар может выполнить задания, которые обычно требуют нескольких традиционных радаров. Примеры традиционных радаров сканируют радары, которые ответственны за поиск целей и отслеживание радаров, которые ответственны за отслеживание целей. В этом примере многофункциональный поэтапный радар массивов выполняет и сканирующий (ищущие) и отслеживающие задачи. На основе обнаружений и дорожек, полученных из текущего эха, радар решает, что сделать рядом с, гарантируют, что цели интереса прослежены, и желаемое воздушное пространство ищется. Многофункциональный поэтапный радар массивов работает замкнутым циклом, включая функции, такие как планирование задач, выбор формы волны, генерация обнаружения и целевое отслеживание.

Симулируйте бистатические обнаружения только для области значений с помощью четырех эмиттерных датчиком пар. Кроме того, этот пример демонстрирует, как локализовать и отследить несколько целей с помощью бистатических измерений только для области значений.

Отследите расширенные объекты. Расширенные объекты являются объектами, размерности которых охватывают несколько ячеек разрешения датчика. В результате датчики сообщают о нескольких обнаружениях расширенных объектов на одном сканировании. В этом примере вы будете использовать различные методы, чтобы отследить расширенные объекты и оценить результаты их производительности отслеживания.

Отследите транспортные средства с помощью измерений от датчика лидара, смонтированного сверху автомобиля, оборудованного датчиком. Лоцируйте датчики, сообщают измерения как облако точек. Пример иллюстрирует рабочий процесс в MATLAB® для обработки облака точек и отслеживания объектов. Для версии Simulink® примера относитесь, чтобы Отследить Транспортные средства Используя Данные о Лидаре в Simulink. Данные о лидаре, используемые в этом примере, зарегистрированы от магистрали ведущий сценарий. В этом примере вы используете записанные данные, чтобы отследить транспортные средства со средством отслеживания объединенной вероятностной ассоциации данных (JPDA) и подходом взаимодействующей многоуровневой модели (IMM).

Иллюстрирует отслеживание объектов с помощью измерений от пространственно распределенных и синхронных пассивных датчиков. В Пассивном Расположении Используя Один Датчик Маневрирования вы узнали, что пассивные измерения обеспечивают неполную наблюдаемость состояния цели и как один датчик может быть выведен, чтобы получить информацию об области значений. В качестве альтернативы несколько стационарных датчиков могут также использоваться, чтобы получить наблюдаемость. В этом примере вы изучите, как отследить несколько объектов путем плавления нескольких обнаружений от пассивных синхронных датчиков.

Сгенерируйте морской сценарий, симулируйте радарные обнаружения от морского радара наблюдения и сконфигурируйте мультицелевое средство отслеживания Плотности гипотезы вероятности (PHD), чтобы оценить местоположение и размер симулированных поставок с помощью радарных обнаружений.

Оцените положение (положение и ориентация) наземного транспортного средства с помощью инерционного модуля измерения (IMU) и монокулярной камеры. В этом примере, вас:

Плавьте дорожки от двух транспортных средств для того, чтобы обеспечить более всестороннюю оценку среды, которая видна каждому транспортному средству. Пример демонстрирует использование термофиксатора уровня дорожки и объектного формата данных дорожки. В этом примере вы используете ведущий сценарий и модели от Automated Driving Toolbox™ и отслеживания и отслеживаете модели сплава от Sensor Fusion and Tracking Toolbox™.

Концепции отзывов в 3D вращениях и как кватернионы используются, чтобы описать ориентацию и вращения. Кватернионы являются скошенным полем гиперкомплексных чисел. Они нашли применение в космосе, компьютерной графике и виртуальной реальности. В MATLAB® математика кватерниона может быть представлена путем управления классом кватерниона.

Используйте сферическую линейную интерполяцию (SLERP), чтобы создать последовательности кватернионов, и lowpass фильтруют шумные траектории. SLERP является обычно используемым методом компьютерной графики для создания анимаций вращающегося объекта.

Симулируйте движение целей на пробеле с помощью trackingScenario и как сгенерировать синтетические радарные обнаружения с помощью monostaticRadarSensor. Это также показывает, как использовать различные плоттеры, предлагаемые theaterPlot, чтобы визуализировать сценарий и обнаружения.

Сгенерируйте и визуализируйте траектории нескольких самолетов с помощью trackingScenario и waypointTrajectory.

Сгенерируйте радарные обнаружения от многоплатформенной радарной сети. Сеть включает три платформы дальних: два бортовых и одно наземное. Такие синтетические данные могут использоваться, чтобы проверить производительность отслеживания архитектуры для различных целевых типов и маневров.

Содержит приложение, которое загружает записанный заранее сценарий отслеживания. Используя приложение, можно добавить, изменить или удалить платформы, датчики платформы, цели, целевые подписи и траектории всех объектов в сценарии. Можно также экспортировать сценарий как скрипт MATLAB, который можно изменить позже.

Различные радарные режимы сканирования модели с помощью monostaticRadarSensor. В этом примере показано, как сконфигурировать monostaticRadarSensor для нескольких обычно используемых радарных режимов сканирования. С этой моделью можно симулировать радары, которые механически сканируют, электронно сканируют, и которые используют и механическое устройство и электронное сканирование. Пределы сканирования в азимуте и вертикальном изменении конфигурируемы и для механических и для электронных режимов сканирования.

Модель и симулирует выход активных и пассивных радарных датчиков. В этом примере вы наблюдаете, как интерференция радиочастоты (RF) влияет на производительность обнаружения радара. Кроме того, вы используете пассивные радарные датчики, чтобы оценить местоположение и тип радиочастотной помехи.

Используйте отклонение Аллана, чтобы определить шумовые параметры гироскопа MEMS. Эти параметры могут использоваться, чтобы смоделировать гироскоп в симуляции. Измерение гироскопа моделируется как:

Магнитометры обнаруживают силу магнитного поля вдоль X датчика, Y и осей Z. Точные измерения магнитного поля важны для сплава датчика и намерения направиться и ориентация.

Симулируйте измерения инерционного модуля измерения (IMU) с помощью imuSensor Системного объекта. IMU может включать комбинацию отдельных датчиков, включая гироскоп, акселерометр и магнитометр. Можно задать свойства отдельных датчиков с помощью gyroparams, accelparams, и magparams, соответственно.

Симулируйте движение целей на пробеле с помощью trackingScenario и как сгенерировать синтетические радарные обнаружения с помощью monostaticRadarSensor. Это также показывает, как использовать различные плоттеры, предлагаемые theaterPlot, чтобы визуализировать сценарий и обнаружения.

Удалите смещение гироскопа из IMU, использующего imufilter.

Считайте данные из GPS-приемника, соединенного с компьютером, и проанализируйте данные Ассоциации National Marine Electronics (NMEA).

Как вы можете создать IMU + алгоритм сплава GPS, подходящий для беспилотных воздушных транспортных средств (БПЛА) или quadcopters.

Оцените положение и ориентацию наземных транспортных средств путем объединения данных от инерционного модуля измерения (IMU) и получателя системы глобального позиционирования (GPS).

Объедините данные от акселерометра с 3 осями, гироскопа с 3 осями, магнитометр с 3 осями (вместе обычно называемый датчиком MARG для Магнитного, Углового Уровня и Силой тяжести), и высотомер с 1 осью, чтобы оценить ориентацию и высоту.

Как вы можете плавить датчики на различных уровнях, чтобы оценить положение. Акселерометр, гироскоп, магнитометр и GPS используются, чтобы определить ориентацию и положение транспортного средства, проходящего круговой путь. Можно использовать средства управления на окне рисунка, чтобы варьироваться уровни датчика и эксперимент с уволенным датчика при наблюдении эффекта на предполагаемом положении.

Поток данные IMU из Arduino и оценочной ориентации с помощью дополнительного фильтра.

Получите данные из датчика InvenSense MPU-9250 IMU и использовать алгоритмы сплава с 9 осями и с 6 осями в данных о датчике, чтобы вычислить ориентацию устройства.

Используйте алгоритмы сплава с 9 осями и с 6 осями, чтобы вычислить ориентацию. Существует несколько алгоритмов, чтобы вычислить ориентацию из инерционных модулей измерения модулей магнитно-угловой силы тяжести уровня (MARG) и (IMUs). Этот пример покрывает основы ориентации и как использовать эти алгоритмы.

Выровняйте и предварительно обработайте регистрируемые данные о датчике. Это позволяет фильтрам сплава выполнять оценку ориентации как ожидалось. Записанные данные были собраны из акселерометра и гироскопа, смонтированного на наземном транспортном средстве.

Отследите маневрирующие цели с помощью различных фильтров отслеживания. Пример показывает различие между фильтрами, которые используют одну модель движения и несколько моделей движения.

Иллюстрирует использование фильтров частиц и фильтров Гауссовой суммы, чтобы отследить отдельный объект с помощью измерений только для области значений.

Иллюстрирует, как отследить цели с помощью пассивных измерений только для угла от одного датчика. Пассивные измерения только для угла содержат азимут и вертикальное изменение цели относительно датчика. Отсутствие измерений области значений делает проблему, бросающую вызов, когда цели, которые будут прослежены, полностью заметны только при определенных обстоятельствах.

Отслеживаемые объекты, когда ассоциация обнаружений датчика к дорожкам неоднозначна. В этом примере вы используете средство отслеживания одно гипотезы, средство отслеживания нескольких-гипотез и вероятностное средство отслеживания ассоциации данных, чтобы выдержать сравнение, как средства отслеживания обрабатывают эту неоднозначность. Чтобы отследить, маневрирующие цели лучше, вы оцениваете движение целей при помощи различных моделей.

Отследите большое количество объектов. Многочисленная стая птиц сгенерирована, и глобальное самое близкое соседнее мультиобъектное средство отслеживания, trackerGNN, используется, чтобы оценить движение каждой птицы в скоплении.

Используйте trackerGNN, чтобы отследить большие количества целей. Подобные методы могут быть применены к trackerJPDA и trackerTOMHT также.

Отследите транспортные средства с помощью измерений от датчика лидара, смонтированного сверху автомобиля, оборудованного датчиком. Из-за высоких разрешающих способностей датчика лидара, каждое сканирование от датчика содержит большое количество точек, обычно известных как облако точек. Пример иллюстрирует рабочий процесс в Simulink для обработки облака точек и отслеживания объектов. Данные о лидаре, используемые в этом примере, зарегистрированы от магистрали ведущий сценарий. Вы используете записанные данные, чтобы отследить транспортные средства со средством отслеживания объединенной вероятностной ассоциации данных (JPDA) и подходом взаимодействующей многоуровневой модели (IMM). Пример сопровождает Транспортные средства Дорожки Используя Лидар: От Облака точек до примера Track List MATLAB®.

Сконфигурируйте и используйте GNN и средства отслеживания JPDA в симулированном магистральном сценарии в Simulink® с Sensor Fusion and Tracking Toolbox ™. Это сопровождает Fusion Датчика Используя Синтетические Данные о Радаре и Видении в примере Simulink. Основное преимущество моделирования системы в Simulink является простотой выполнения, "что - если" анализ и выбор средства отслеживания, которое приводит к лучшей производительности на основе требований.

Отслеживаемые объекты в Simulink® с Sensor Fusion and Tracking Toolbox™, когда ассоциация обнаружений датчика к дорожкам неоднозначна. Это сопровождает Отслеживающие Близко расположенные Цели Под примером Ambiguity MATLAB®.

Сгенерируйте код С для функции MATLAB, которую отслеживают обнаружения процессов и выходные параметры. Функция содержит trackerGNN, но любое средство отслеживания может использоваться вместо этого.

Эти примеры показывают, как преобразовать фактические обнаружения в собственном формате датчика в объекты objectDetection. objectDetection является стандартным форматом ввода для большинства фильтров и средств отслеживания в Fusion Датчика и тулбоксе Отслеживания. Эти пять примеров прогрессивно показывают, как настроить objectDetection с варьировавшимися сценариями отслеживания.

Сконфигурируйте и используйте средство отслеживания глобального самого близкого соседа (GNN).

Задайте и используйте логику подтверждения и удаления, которые основаны на истории или счете. Это вводит trackHistoryLogic, и trackScoreLogic возражает и показывает, как использовать их в качестве автономных объектов и как использовать их в качестве части trackerGNN.