initcackf

Создайте кубатюрный фильтр Калмана для отслеживания постоянного ускорения из отчета об обнаружении

Синтаксис

Описание

пример

ckf = initcackf(detection) инициализирует кубический фильтр Калмана с постоянным ускорением для отслеживания объектов на основе информации, представленной в objectDetection объект, detection.

Функция инициализирует постоянное состояние ускорения с тем же соглашением, что и constacc и cameas, [x; <reservedrangesplaceholder13> <reservedrangesplaceholder12>; <reservedrangesplaceholder11> <reservedrangesplaceholder10>; y; <reservedrangesplaceholder8> <reservedrangesplaceholder7>; <reservedrangesplaceholder6> <reservedrangesplaceholder5>; z; <reservedrangesplaceholder3> <reservedrangesplaceholder2>; <reservedrangesplaceholder1> <reservedrangesplaceholder0>].

Примеры

свернуть все

Создайте кубатурный объект фильтра Калмана с постоянным ускорением, trackingCKF, из первоначального отчета об обнаружении. Отчет о обнаружении составляется из начального 3-D измерения положения состояния фильтра Калмана в прямоугольных координатах. Можно получить измерение положения 3-D с помощью функции измерения постоянного ускорения, cameas.

Этот пример использует координаты, x = 1, y = 3, z = 0 и 3-D шум измерения положения [1 0.2 0; 0.2 2 0; 0 0 1].

detection = objectDetection(0, [1;3;0], 'MeasurementNoise', [1 0.2 0; 0.2 2 0; 0 0 1]);

Использование initcackf для создания trackingCKF фильтр, инициализированный в заданном положении и использующий измерительный шум, заданный выше.

ckf = initcackf(detection)
ckf = 
  trackingCKF with properties:

                          State: [9x1 double]
                StateCovariance: [9x9 double]

             StateTransitionFcn: @constacc
                   ProcessNoise: [3x3 double]
        HasAdditiveProcessNoise: 0

                 MeasurementFcn: @cameas
               MeasurementNoise: [3x3 double]
    HasAdditiveMeasurementNoise: 1

                EnableSmoothing: 0

Проверяйте значения состояния и шума измерения. Проверьте состояние фильтра, ckf.State, имеет те же компоненты положения, что и измерение обнаружения, detection.Measurement.

ckf.State
ans = 9×1

     1
     0
     0
     3
     0
     0
     0
     0
     0

Проверьте, что шум измерения фильтра, ckf.MeasurementNoise, совпадает с detection.MeasurementNoise значения.

ckf.MeasurementNoise
ans = 3×3

    1.0000    0.2000         0
    0.2000    2.0000         0
         0         0    1.0000

Копирайт 2018 The MathWorks, Inc.

Создайте кубатурный объект фильтра Калмана с постоянным ускорением, trackingCKF, из первоначального отчета об обнаружении. Отчет об обнаружении составляется из начального 3-D измерения положения состояния фильтра Калмана в сферических координатах. Можно получить измерение положения 3-D с помощью функции измерения постоянного ускорения, cameas.

Этот пример использует координаты az = 30, e1 = 5, r = 100, rr = 4 и измерение шум diag([2.5, 2.5, 0.5, 1].^2).

meas = [30;5;100;4];
measNoise = diag([2.5, 2.5, 0.5, 1].^2);

Используйте MeasurementParameters свойство detection объект для определения системы координат. Когда не определено, поля MeasurementParameters struct использует значения по умолчанию. В этом примере положение датчика, скорость датчика, ориентация, повышение и скорость области значений по умолчанию.

measParams = struct('Frame','spherical');
detection = objectDetection(0,meas,'MeasurementNoise',measNoise,...
    'MeasurementParameters',measParams) 
detection = 
  objectDetection with properties:

                     Time: 0
              Measurement: [4x1 double]
         MeasurementNoise: [4x4 double]
              SensorIndex: 1
            ObjectClassID: 0
    MeasurementParameters: [1x1 struct]
         ObjectAttributes: {}

Использование initcackf для создания trackingCKF фильтр, инициализированный в заданном положении и использующий измерительный шум, заданный выше.

ckf = initcackf(detection)
ckf = 
  trackingCKF with properties:

                          State: [9x1 double]
                StateCovariance: [9x9 double]

             StateTransitionFcn: @constacc
                   ProcessNoise: [3x3 double]
        HasAdditiveProcessNoise: 0

                 MeasurementFcn: @cameas
               MeasurementNoise: [4x4 double]
    HasAdditiveMeasurementNoise: 1

                EnableSmoothing: 0

Проверьте, что состояние фильтра приводит к тому же измерению, что и выше.

meas2 = cameas(ckf.State, measParams)
meas2 = 4×1

   30.0000
    5.0000
  100.0000
    4.0000

Входные параметры

свернуть все

Отчет об обнаружении, заданный как objectDetection объект.

Пример: detection = objectDetection(0,[1;4.5;3],'MeasurementNoise', [1.0 0 0; 0 2.0 0; 0 0 1.5])

Выходные аргументы

свернуть все

Кубатурный фильтр Калмана с постоянным ускорением для отслеживания объектов, возвращенный как trackingCKF объект.

Алгоритмы

  • Функция вычисляет матрицу шума процесса, принимая стандартное отклонение модуля для скорости изменения ускорения.

  • Вы можете использовать эту функцию как FilterInitializationFcn свойство trackerTOMHT и trackerGNN Системные объекты.

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

.
Введенный в R2018b
Для просмотра документации необходимо авторизоваться на сайте