Exponenta Banner

predict

Предскажите ошибочную ковариацию оценки состояния и оценки состояния линейного Фильтра Калмана

свернуть все на странице

Синтаксис

[xpred,Ppred] = predict(filter)
[xpred,Ppred] = predict(filter,u)
[xpred,Ppred] = predict(filter,F)
[xpred,Ppred] = predict(filter,F,Q)
[xpred,Ppred] = predict(filter,u,F,G)
[xpred,Ppred] = predict(filter,u,F,G,Q)
[xpred,Ppred] = predict(filter,dt)
[xpred,Ppred] = predict(filter,u,dt)
predict(filter,___)
xpred = predict(filter,___)

Описание

[xpred,Ppred] = predict(filter) возвращает предсказанное состояние, xpred, и предсказанная ошибочная ковариация оценки состояния, Ppred, для следующего временного шага входа линейный Фильтр Калмана. Ожидаемые значения перезаписывают внутреннее состояние и ошибочную ковариацию оценки состояния filter.

Этот синтаксис применяется, когда вы устанавливаете ControlModel свойство filter к пустой матрице.

[xpred,Ppred] = predict(filter,u) задает вход управления, или силу, u, и возвращает один или несколько выходных параметров от предыдущих синтаксисов.

Этот синтаксис применяется, когда вы устанавливаете ControlModel свойство filter к непустой матрице.

[xpred,Ppred] = predict(filter,F) задает модель изменения состояния, F. Используйте этот синтаксис, чтобы изменить модель изменения состояния во время симуляции.

Этот синтаксис применяется, когда вы устанавливаете ControlModel свойство filter к пустой матрице.

[xpred,Ppred] = predict(filter,F,Q) задает модель изменения состояния, F, и ковариация шума процесса, Q. Используйте этот синтаксис, чтобы изменить модель изменения состояния и ковариацию шума процесса во время симуляции.

Этот синтаксис применяется, когда вы устанавливаете ControlModel свойство filter к пустой матрице.

[xpred,Ppred] = predict(filter,u,F,G) задает силу или вход управления, u, модель изменения состояния, F, и модель управления, G. Используйте этот синтаксис, чтобы изменить модель изменения состояния и модель управления во время симуляции.

Этот синтаксис применяется, когда вы устанавливаете ControlModel свойство filter к непустой матрице.

[xpred,Ppred] = predict(filter,u,F,G,Q) задает силу или вход управления, u, модель изменения состояния, F, модель управления, G, и ковариация шума процесса, Q. Используйте этот синтаксис, чтобы изменить модель изменения состояния, модель управления и ковариацию шума процесса во время симуляции.

Этот синтаксис применяется, когда вы устанавливаете ControlModel свойство filter к непустой матрице.

пример

[xpred,Ppred] = predict(filter,dt) возвращает предсказанные выходные параметры после временного шага dt.

Этот синтаксис применяется когда MotionModel свойство filter не установлен в 'Custom' и ControlModel свойство установлено в пустую матрицу.

[xpred,Ppred] = predict(filter,u,dt) также задает силу или вход управления, u.

Этот синтаксис применяется когда MotionModel свойство filter не установлен в 'Custom' и ControlModel свойство установлено в непустую матрицу.

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

xpred = predict(filter,___) обновления filter с предсказанной ошибочной ковариацией оценки состояния и оценки состояния, но возвращает только предсказанное состояние, xpred.

Примеры

свернуть все

Скрипт Open Live Script

Создайте линейный Фильтр Калмана, который использует 2D Constant Velocity модель движения. 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 откорректируйте 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')

Входные параметры

свернуть все

Линейный Фильтр Калмана для объектного отслеживания, заданного как trackingKF объект.

Вектор управления, заданный как L с действительным знаком - вектор элемента.

Модель изменения состояния, заданная как M с действительным знаком-by-M матрица, где M является размером вектора состояния.

Ковариационная матрица шума процесса, заданная как положительно-определенный, M с действительным знаком-by-M матрица, где M является длиной вектора состояния.

Модель управления, заданная как M с действительным знаком-by-L матрица. M является размером вектора состояния. L является количеством независимых средств управления.

Временной шаг, заданный как положительная скалярная величина. Модули находятся в секундах.

Выходные аргументы

свернуть все

Предсказанное состояние, возвращенное как M с действительным знаком - вектор элемента. Предсказанное состояние представляет выводимую оценку вектора состояния, распространенного от предыдущего состояния с помощью изменения состояния и моделей управления.

Предсказанная ковариационная матрица состояния, заданная как M с действительным знаком-by-M матрица. M является размером вектора состояния. Предсказанная ковариационная матрица состояния представляет выводимую оценку вектора ковариационной матрицы. Фильтр распространяет ковариационную матрицу от предыдущей оценки.

Расширенные возможности

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

Смотрите также

| | | | | |

Введенный в R2018b

Документация Sensor Fusion and Tracking Toolbox
Поддержка