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.

Используйте trackingScenarioDesigner с существующим файлом сеанса. Используя приложение, можно добавить, изменить или удалить платформы, моностатические радарные датчики и траектории всех объектов в сценарии. Можно также экспортировать сценарий как скрипт MATLAB для последующего анализа.

Вводит, как сгенерировать синтетические радарные обнаружения в сценарии отслеживания, который симулирует целевое движение и обнаружения датчика. А именно, этот пример показывает:

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 архитектур для различных целевых типов и маневров.

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.

Сгенерируйте показания инерционного модуля измерения (IMU) от датчика, который смонтирован на наземном транспортном средстве. В зависимости от местоположения датчика ускорения IMU отличаются.

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.

Удалите смещение гироскопа из IMU, использующего imufilter.

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

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.

Используйте функцию объекта residualgps и фильтрацию невязки, чтобы обнаружить, когда новые измерения датчика не смогут быть сопоставимы с текущим состоянием фильтра.

Сгенерируйте и объедините данные о датчике IMU с помощью Simulink®. Можно точно смоделировать поведение акселерометра, гироскопа и магнитометра и плавить их выходные параметры, чтобы вычислить ориентацию.

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.

Настройте и запустите средство отслеживания, чтобы отследить несколько объектов в сцене. Пример объясняет и демонстрирует важность ключевых свойств средств отслеживания в Sensor Fusion and Tracking Toolbox.

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 Simulink (Automated Driving Toolbox). 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.

При разработке мультисистемы наблюдения за объектами важно разработать метод, чтобы оценить его производительность против доступной основной истины. Эта основная истина обычно доступна от среды симуляции или при помощи методов как экстракция основной истины с помощью руководства или автоматизированной маркировки на записанных данных. Хотя возможно качественно оценить алгоритм отслеживания с помощью инструментов визуализации, подход обычно не масштабируем. Этот пример вводит различные инструменты количественного анализа в Sensor Fusion and Tracking Toolbox™ для оценки производительности средства отслеживания. Вы будете также использовать некоторые общие события как ложные дорожки, подкачки дорожки, с которыми и т.д. сталкиваются при отслеживании нескольких объектов изучить сильные места и ограничения этих инструментов.

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.