Сигма-точечный фильтр Калмана для отслеживания объектов
The trackingUKF
объект является дискретным сигма-точечным фильтром Калмана, используемым для отслеживания положений и скоростей объектов, с которыми можно столкнуться в сценарии беспилотного вождения. К таким объектам относятся автомобили, пешеходы, велосипеды и стационарные конструкции или препятствия.
Сигма-точечный фильтр Калмана является рекурсивным алгоритмом для оценки развивающегося состояния процесса, когда измерения производятся на процессе. Сигма-точечный фильтр Калмана может смоделировать эволюцию состояния, которое подчиняется нелинейной модели движения. Измерения также могут быть нелинейными функциями состояния, и процесс и измерения могут иметь шум.
Используйте сигма-точечный фильтр Калмана, когда применяется одно из обоих следующих условий:
Текущее состояние является нелинейной функцией предыдущего состояния.
Измерения являются нелинейными функциями состояния.
Сигма-точечный фильтр Калмана оценивает неопределенность о состоянии и его распространении через нелинейное состояние и уравнения измерения с помощью фиксированного числа точек сигмы. Точки Sigma выбираются при помощи неароматического преобразования, параметризованного Alpha
, Beta
, и Kappa
свойства.
filter = trackingUKF
создает объект сигма-точечного фильтра Калмана для системы дискретного времени с помощью значений по умолчанию для StateTransitionFcn
, MeasurementFcn
, и State
свойства. Технологический и измерительный шум приняты аддитивными.
задает функцию перехода к состоянию, filter
= trackingUKF(transitionfcn
,measurementfcn
,state
)transitionfcn
, функция измерения, measurementfcn
, и начальное состояние системы, state
.
конфигурирует свойства объекта сигма-точечного фильтра Калмана с помощью одной или нескольких filter
= trackingUKF(___,Name,Value
)Name,Value
аргументы в виде пар и любой из предыдущих синтаксисов. Все неопределенные свойства имеют значения по умолчанию.
predict | Предсказать состояние и ковариацию ошибки расчета состояния отслеживающего фильтра |
correct | Правильное состояние и ковариация ошибки оценки состояния с помощью отслеживающего фильтра |
correctjpda | Правильное состояние и ковариация ошибки оценки состояния с помощью отслеживающего фильтра и JPDA |
distance | Расстояния между током и предсказанными измерениями отслеживающего фильтра |
likelihood | Вероятность измерения с отслеживающего фильтра |
clone | Создайте повторяющийся фильтр отслеживания |
residual | Измерение остаточного и остаточного шума от отслеживающего фильтра |
initialize | Инициализируйте состояние и ковариацию отслеживающего фильтра |
Сигма-точечный фильтр Калмана оценивает состояние процесса, управляемого нелинейным стохастическим уравнением
где xk - состояние на шаге k. f() является функцией перехода состояния, uk являются элементами управления процесса. Движение может быть затронуто случайными шумовыми возмущениями, wk. Фильтр также поддерживает упрощенную форму,
Чтобы использовать упрощенную форму, задайте HasAdditiveProcessNoise
на true
.
В сигма-точечном фильтре Калмана измерения также являются общими функциями состояния,
где h(xk,vk,t) - функция измерения, которая определяет измерения как функции состояния. Типичными измерениями являются положение и скорость или некоторая функция от них. Измерения могут включать также шум, представленный vk. Снова класс предлагает более простую формулировку
Чтобы использовать упрощенную форму, задайте HasAdditiveMeasurmentNoise
на true
.
Эти уравнения представляют фактическое движение объекта и фактические измерения. Однако шумовой вклад на каждом шаге неизвестен и не может быть точно смоделирован. Известны только статистические свойства шума.
[1] Коричневый, R.G. и P.Y.C. Ван. Введение в анализ случайных сигналов и прикладную фильтрацию Калмана. 3-е издание. Нью-Йорк: John Wiley & Sons, 1997.
[2] Калман, Р. Е. «Новый подход к линейным задачам фильтрации и предсказания». Транзакции ASME-Journal of Basic Engineering. Том 82, серия D, март 1960, стр. 35-45.
[3] Ван, Эрик А. и Р. ван дер Мерве. Неароматизированный сигма-точечный фильтр Калмана для нелинейной оценки. Адаптивные системы для обработки сигналов, связи и управления. AS-SPCC, IEEE, 2000, стр. 153-158.
[4] Ван, Мерл. «Нескромный сигма-точечный фильтр Калмана». В фильтрации Калмана и нейронных сетях. Под редакцией Симона Хайкина. John Wiley & Sons, Inc., 2001.
[5] Sarka S. «Рекурсивный байесовский вывод по стохастическим дифференциальным уравнениям». Докторская диссертация. Хельсинкский технологический университет, Финляндия. 2006.
[6] Блэкман, Сэмюэль. Отслеживание нескольких целей с помощью радаров. Дом Артеха, 1986.
cameas
| cameasjac
| constacc
| constaccjac
| constturn
| constturnjac
| constvel
| constveljac
| ctmeas
| ctmeasjac
| cvmeas
| cvmeasjac
| initcaukf
| initctukf
| initcvukf