Сигма-точечный фильтр Калмана для объектного отслеживания
trackingUKF
объект является сигма-точечным фильтром Калмана дискретного времени, используемым, чтобы отследить положения и скорости объектов, с которыми можно столкнуться в автоматизированном ведущем сценарии. Такие объекты включают автомобили, пешеходов, велосипеды, и стационарные структуры или препятствия.
Сигма-точечный фильтр Калмана является рекурсивным алгоритмом для оценки развивающегося состояния процесса, когда измерения сделаны на процессе. Сигма-точечный фильтр Калмана может смоделировать эволюцию состояния, которое выполняет нелинейную модель движения. Измерения могут также быть нелинейными функциями состояния, и процесс и измерения могут иметь шум.
Используйте сигма-точечный фильтр Калмана, когда одно из обоих из этих условий будет применяться:
Текущее состояние является нелинейной функцией предыдущего состояния.
Измерения являются нелинейными функциями состояния.
Сигма-точечный фильтр Калмана оценивает неопределенность о состоянии, и его распространение через нелинейное состояние и уравнения измерения, при помощи постоянного числа точек сигмы. Точки сигмы выбраны при помощи недушистого преобразования, как параметрировано Alpha
\beta
, и Kappa
свойства.
filter = trackingUKF
создает объект сигма-точечного фильтра Калмана для системы дискретного времени при помощи значений по умолчанию для StateTransitionFcn
, MeasurementFcn
, и State
свойства. Шумы процесса и измерения приняты, чтобы быть дополнением.
задает функцию изменения состояния, filter
= trackingUKF(transitionfcn
,measurementfcn
,state
)transitionfcn
, функция измерения, measurementfcn
, и начальное состояние системы, state
.
конфигурирует свойства объекта сигма-точечного фильтра Калмана, использующего один или несколько filter
= trackingUKF(___,Name,Value
)Name,Value
парные аргументы и любой из предыдущих синтаксисов. Любые незаданные свойства имеют значения по умолчанию.
predict | Предскажите ошибочную ковариацию оценки состояния и оценки состояния отслеживания фильтра |
correct | Фильтр отслеживания использования правильного состояния и ковариации ошибки оценки состояния |
correctjpda | Фильтр отслеживания использования правильного состояния и ковариации ошибки оценки состояния и JPDA |
distance | Расстояния между текущими и предсказанными измерениями отслеживания фильтра |
likelihood | Вероятность измерения от отслеживания фильтра |
clone | Создайте фильтр отслеживания копии |
residual | Невязка измерения и остаточный шум от отслеживания фильтра |
initialize | Инициализируйте состояние и ковариацию отслеживания фильтра |
Сигма-точечный фильтр Калмана оценивает состояние процесса, которым управляет нелинейное стохастическое уравнение
где xk является состоянием на шаге k. f() является функцией изменения состояния, uk средства управления на процессе. Движение может быть затронуто случайными шумовыми возмущениями, wk. Фильтр также поддерживает упрощенную форму,
Чтобы использовать упрощенную форму, установите HasAdditiveProcessNoise
к true
.
В сигма-точечном фильтре Калмана измерения являются также общими функциями состояния,
где h(xk,vk,t) является функцией измерения, которая определяет измерения как функции состояния. Типичные измерения являются положением и скоростью или некоторой функцией их. Измерения могут включать шум также, представленный vk. Снова класс предлагает более простую формулировку
Чтобы использовать упрощенную форму, установите HasAdditiveMeasurmentNoise
к true
.
Эти уравнения представляют фактическое движение объекта и фактические измерения. Однако шумовой вклад на каждом шаге неизвестен и не может быть смоделирован точно. Только статистические свойства шума известны.
[1] Браун, R.G. и P.Y.C. Ван. Введение в случайный анализ сигнала и прикладного Кальмана, фильтрующего. 3-й выпуск. Нью-Йорк: John Wiley & Sons, 1997.
[2] Кальман, R. E. “Новый Подход к Линейным проблемам Фильтрации и Предсказания”. Транзакции Журнала ASME Базового проектирования. Издание 82, Серия D, март 1960, стр 35–45.
[3] Бледный, Эрик А. и Р. ван дер Мерв. “Сигма-точечный фильтр Калмана для Нелинейной Оценки”. Адаптивные системы для Обработки сигналов, Коммуникаций и Управления. КОГДА-SPCC, IEEE, 2000, pp.153–158.
[4] Бледный, Мерл. “Сигма-точечный фильтр Калмана”. В Кальмане, фильтрующем и нейронных сетях. Отредактированный Саймоном Хейкином. John Wiley & Sons, Inc., 2001.
[5] Саркка С. “Рекурсивный байесов вывод на стохастических дифференциальных уравнениях”. Докторская диссертация. Хельсинкский политехнический университет, Финляндия. 2006.
[6] Блэкмен, Сэмюэль. Несколько - целевое отслеживание с радарными приложениями. Дом Artech, 1986.
cameas
| cameasjac
| constacc
| constaccjac
| constturn
| constturnjac
| constvel
| constveljac
| ctmeas
| ctmeasjac
| cvmeas
| cvmeasjac
| initcaukf
| initctukf
| initcvukf