Exponenta Banner
exponenta event banner

correctjpda

Правильная ковариация ошибок оценки состояния и состояния с использованием фильтра отслеживания и JPDA

свернуть все на странице

Синтаксис

[xcorr, Pcorr] = correctjpda (фильтр, zmeas)
[xcorr, Pcorr] = correctjpda (фильтр, zmeas, jpdacoeffs, measparams)
[xcorr, Pcorr] = correctjpda (фильтр, zmeas, jpdacoeffs, zcov)
[xcorr, Pcorr, zcorr] = correctjpda (фильтр, zmeas, jpdacoeffs)
[xcorr, Pcorr, zcorr] = correctjpda (фильтр, zmeas, jpdacoeffs, zcov)
correctjpda (фильтр, ___)
xcorr = correctjpda (фильтр, ___)

Описание

[xcorr,Pcorr] = correctjpda(filter,zmeas) возвращает исправленное состояние, xcorrи исправленную ковариацию ошибки оценки состояния, Pcorr, для следующего временного шага входного фильтра слежения. Скорректированные значения основаны на наборе измерений. zmeasи их совместные вероятностные коэффициенты ассоциации данных, jpdacoeffs. Эти значения перезаписывают ковариацию внутреннего состояния и ошибки оценки состояния filter.

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

Если фильтр является trackingKF или trackingABF , то вы не можете использовать этот синтаксис.

[xcorr,Pcorr] = correctjpda(filter,zmeas,jpdacoeffs,zcov) определяет дополнительную ковариацию измерения, zcov, используется в MeasurementNoise имущество filter.

Этот синтаксис можно использовать только в том случае, если filter является trackingKF объект.

[xcorr,Pcorr,zcorr] = correctjpda(filter,zmeas,jpdacoeffs) также возвращает коррекцию измерений, zcorr.

Этот синтаксис можно использовать только в том случае, если filter является trackingABF объект.

[xcorr,Pcorr,zcorr] = correctjpda(filter,zmeas,jpdacoeffs,zcov) возвращает коррекцию измерений, zcorr, а также определяет дополнительную ковариацию измерения, zcov, используется в MeasurementNoise имущество filter.

Этот синтаксис можно использовать только в том случае, если filter является trackingABF объект.

correctjpda(filter,___) обновления filter с ковариацией скорректированного состояния и ошибки оценки состояния без возврата скорректированных значений. Укажите фильтр отслеживания и любую из комбинаций входных аргументов из предшествующих синтаксисов.

xcorr = correctjpda(filter,___) обновления filter с ковариацией исправленного состояния и ошибки оценки состояния, но возвращает только исправленное состояние, xcorr.

Входные аргументы

свернуть все

Фильтр для отслеживания объектов, указанный как один из следующих объектов:

  • trackingKF - Линейный фильтр Калмана

  • trackingEKF - Расширенный фильтр Кальмана

  • trackingUKF - Незараженный фильтр Калмана

  • trackingABF - Альфа-бета-фильтр

Измерения, определенные как матрица M-by-N, где M - размерность одного измерения, а N - количество измерений.

Типы данных: single | double

Коэффициенты ассоциации совместных вероятностных данных, определенные как (N + 1) -элементный вектор. i-й (i = 1,..., N) элементjpdacoeffs - совместная вероятность того, что i-е измерение в zmeas связан с фильтром. Последний элемент jpdacoeffs соответствует вероятности того, что измерение не связано с фильтром. Сумма всех элементов jpdacoeffs должно быть равно 1.

Типы данных: single | double

Ковариация измерения, заданная как матрица M-by-M, где M - размерность измерения. Одна и та же ковариационная матрица измерения принимается для всех измерений в zmeas.

Типы данных: single | double

Аргументы функции измерения, указанные как список аргументов, разделенных запятыми. Эти аргументы являются теми же, которые передаются в функцию измерения, заданную MeasurementFcn свойства фильтра отслеживания. Если filter является trackingKF или trackingABF объект, то вы не можете указать measparams.

Предположим, вы установили MeasurementFcn кому @cameas, а затем позвоните correctjpda:

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

Выходные аргументы

свернуть все

Исправленное состояние, возвращаемое как вектор P-элемента, где P - размерность оцененного состояния. Скорректированное состояние представляет апостериорную оценку вектора состояния с учетом текущих измерений и связанных с ними вероятностей.

Исправленная ковариация ошибки состояния, возвращенная как положительно определенная матрица P-за-P, где P - размерность оценки состояния. Скорректированная ковариационная матрица состояния представляет апостериорную оценку ковариационной матрицы состояния с учетом текущих измерений и связанных с ними вероятностей.

Скорректированные измерения, возвращаемые в виде матрицы M-by-N, где M - размерность одного измерения, а N - количество измерений. Вы можете вернуться zcorr только когда filter является trackingABF объект.

Подробнее

свернуть все

Алгоритм коррекции JPDA для дискретного расширенного фильтра Калмана

При обновлении измерений обычного фильтра Калмана фильтру обычно требуется только обновление состояния и ковариации на основе одного измерения. Например, уравнения для обновления измерений дискретного расширенного фильтра Калмана могут быть даны как

xk + = xk − + Kk (y − h (xk −)) Pk + = Pk − − KkSkKkT

где xk − и xk + - априорные и апостериорные оценки состояния соответственно, Kk - коэффициент усиления Калмана, y - фактическое измерение и h (xk −) - прогнозируемое измерение. Pk − и Pk + - ковариационные матрицы априорных и апостериорных состояний, соответственно. Инновационная матрица Sk определяется как

Sk = HkPk − HkT

где Hk - матрица Якобиана для измерительной функции h.

В процессе работы JPDA-трекера фильтр должен обработать множество вероятных измерений yi (i = 1,..., N) с различными вероятностями ассоциации βi (i = 0, 1,..., N). Следует отметить, что β0 - это вероятность того, что никакие измерения не связаны с фильтром. Уравнения обновления измерений для дискретного расширенного фильтра Калмана, используемого для трекера JPDA:

xk+=xk−+Kk∑i=1Nβi (yi − h (xk −)) Pk + = Pk − − (1 − β0) KkSkKkT + Pk

где

Pk=Kk∑i=1N[βi (yi − h (xk −)) (yi − h (xk −)) T − (δy) (δy) T] KkT

и

δy=∑j=1Nβj (yj − h (xk −))

Обратите внимание, что эти уравнения применяются только к trackingEKF и не являются точными уравнениями, используемыми в других фильтрах слежения.

Ссылки

[1] Фортманн, Т., Я. Бар-Шалом и М. Шеффе. «Сонарное отслеживание нескольких целей с использованием совместной вероятностной ассоциации данных». IEEE Journal of Ocean Engineering. Том 8, номер 3, 1983, стр. 173-184.

Расширенные возможности

.

См. также

| | | | | |

Представлен в R2019a

Документация по автоматизированному инструментарию вождения

Поддержка