Ковариация ошибок прогнозирования состояния и оценки состояния линейного фильтра Калмана
[ возвращает прогнозируемое состояние, xpred,Ppred] = predict(filter)xpredи ковариация прогнозируемой ошибки оценки состояния, Ppred, для следующего временного шага входного линейного фильтра Калмана. Прогнозируемые значения перезаписывают ковариацию внутреннего состояния и ошибки оценки состояния filter.
Этот синтаксис применяется при установке ControlModel имущество filter в пустую матрицу.
[ определяет модель перехода состояния, xpred,Ppred] = predict(filter,F,Q)Fи ковариация шума процесса, Q. Этот синтаксис используется для изменения модели перехода состояния и обработки ковариации шума во время моделирования.
Этот синтаксис применяется при установке ControlModel имущество filter в пустую матрицу.
[ определяет силу или управляющий ввод, xpred,Ppred] = predict(filter,u,F,G)u, модель перехода состояния, Fи модель управления, G. Этот синтаксис используется для изменения модели перехода состояния и управляющей модели во время моделирования.
Этот синтаксис применяется при установке ControlModel имущество filter в непустую матрицу.
[ определяет силу или управляющий ввод, xpred,Ppred] = predict(filter,u,F,G,Q)u, модель перехода состояния, F, модель управления, Gи ковариация шума процесса, Q. Этот синтаксис используется для изменения модели перехода состояния, модели управления и ковариации шума процесса во время моделирования.
Этот синтаксис применяется при установке ControlModel имущество filter в непустую матрицу.
predict( обновления filter,___)filter с ковариацией прогнозируемого состояния и ошибки оценки состояния без возврата прогнозируемых значений. Укажите фильтр отслеживания и любую из комбинаций входных аргументов из предшествующих синтаксисов.
Создание линейного фильтра Калмана, использующего 2D Constant Velocity модель движения. Предположим, что измерение состоит из местоположения объекта x-y.
Укажите начальную оценку 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]';
Спрогнозировать и исправить состояние объекта.
for k = 1:size(pos,1) pstates(k,:) = predict(KF,T); cstates(k,:) = correct(KF,pos(k,:)); end
Постройте графики.
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')
clone | correct | correctjpda | distance | initialize | likelihood | residual