Exponenta Banner
exponenta event banner

correctjpda

Правильное состояние и ковариация ошибки оценки состояния с помощью отслеживающего фильтра и JPDA

Свернуть все на странице

Синтаксис

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

Описание

[xcorr,Pcorr] = correctjpda(filter,zmeas) возвращает исправленное состояние, xcorrи исправленное состояние ошибки расчета ковариации, Pcorrдля следующего временного шага входного фильтра отслеживания. Скорректированные значения основаны на наборе измерений, zmeas, и их совместные вероятностные коэффициенты ассоциации данных, jpdacoeffs. Эти значения перезаписывают внутреннее состояние и ковариацию ошибки расчета состояния filter.

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

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

[xcorr,Pcorr] = correctjpda(filter,zmeas,jpdacoeffs,zcov) задает дополнительную ковариацию измерения, zcov, используемый в MeasurementNoise свойство filter.

Использовать этот синтаксис можно только при filter является trackingKF объект.

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

Использовать этот синтаксис можно только при filter является trackingABF объект.

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

Использовать этот синтаксис можно только при filter является trackingABF объект.

correctjpda(filter,___) обновлений filter с исправленным состоянием и состоянием ошибки расчета ковариацией без возврата исправленных значений. Задайте фильтр отслеживания и любую из комбинаций входных аргументов из предыдущих синтаксисов.

xcorr = correctjpda(filter,___) обновлений filter с исправленным состоянием и состоянием ошибки расчета ковариацией, но возвраты только исправленное состояние, xcorr.

Входные параметры

свернуть все

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

  • trackingKF - Линейный фильтр Калмана

  • trackingEKF - Расширенный фильтр Калмана

  • trackingUKF - Сигма-точечный фильтр Калмана

  • trackingABF - Альфа-бета фильтр

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

Типы данных: single | double

Совместные вероятностные коэффициенты ассоциации данных, заданные как вектор (N + 1) - элемент. i-й (i = 1,..., N) элемент jpdacoeffs - это совместная вероятность того, что i-е измерение в zmeas сопоставлен с фильтром. Последний элемент jpdacoeffs соответствует вероятности того, что никакое измерение не связано с фильтром. Сумма всех элементов jpdacoeffs должно равняться 1.

Типы данных: single | double

Ковариация измерения, заданная как M -by - M матрица, где M - размерность измерения. Та же ковариационная матрица измерения принята для всех измерений в zmeas.

Типы данных: single | double

Аргументы функции измерения, заданные как разделенный запятыми список аргументов. Эти аргументы являются теми же таковыми, которые передаются в функцию измерения, заданную MeasurementFcn свойство отслеживающего фильтра. Если filter является trackingKF или trackingABF объект, тогда вы не можете задать measparams.

Предположим, вы MeasurementFcn на @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, возвращенное как P-вектор, где P - размерность оцененного состояния. Исправленное состояние представляет апостериорную оценку вектора состояния с учетом текущих измерений и связанных с ними вероятностей .

Ковариация исправленной ошибки состояния, возвращенная как положительно-определенная P матрица -by 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, возвращенные как M -by - N матрица, где M - размерность одного измерения, а N - количество измерений. Можно вернуться zcorr только когда filter является trackingABF объект.

Подробнее о

свернуть все

Алгоритм коррекции JPDA для дискретного расширенного фильтра Калмана

В обновлении измерений обычного фильтра Калмана фильтру обычно нужно только обновить состояние и ковариацию на основе одного измерения. Для образца уравнения для обновления измерения дискретного расширенного фильтра Калмана могут быть даны как

xk+=xk−+Kk(y−h(xk−))Pk+=Pk−−KkSkKkT

где x k− и x k+ являются априорными и апостериорными оценками состояния, соответственно, K k является усилением Калмана, y является фактическим измерением и h (x k−) - предсказанное измерение. <reservedrangesplaceholder1> <reservedrangesplaceholder0>− и P k+ являются априори и апостериори ковариациями матриц ошибок, соответственно. Матрица S k инноваций определяется как

Sk=HkPk−HkT

где H k является якобиевой матрицей для h функции измерения.

В рабочем процессе шпиона JPDA фильтр должен обработать несколько вероятных измерений <reservedrangesplaceholder8> <reservedrangesplaceholder7> (i = 1..., N) с различными вероятностями ассоциации <reservedrangesplaceholder4> <reservedrangesplaceholder3> (i = 0, 1..., N). Обратите внимание β что 0 является вероятностью того, что никакие измерения не связаны с фильтром. Уравнения обновления измерения для дискретного расширенного фильтра Калмана, используемого для JPDA-трекера,

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 отслеживания.

Ссылки

[1] Фортманн, Т., Я. Бар-Шалом, и М. Шеффе. Sonar Tracking of Multiple Targets Using Joint Probabilistic Data Association (неопр.) (недоступная ссылка). IEEE Journal of Ocean Engineering. Том 8, № 3, 1983, с. 173-184.

Расширенные возможности

.

См. также

| | | | | |

Введенный в R2019a

Документация по Automated Driving Toolbox

Поддержка