Предсказать состояние и ковариацию ошибки расчета состояния линейного фильтра Калмана
[ возвращает предсказанное состояние, xpred,Ppred] = predict(filter)xpred, и предсказанное состояние ошибки расчета ковариации, Ppredдля следующего временного шага входа линейного фильтра Калмана. Предсказанные значения перезаписывают внутреннее состояние и ковариацию ошибки расчета состояния filter.
Этот синтаксис применяется при установке ControlModel свойство filter в пустую матрицу.
[ задает модель перехода состояния, xpred,Ppred] = predict(filter,F,Q)Fи ковариация шума процесса Q. Используйте этот синтаксис, чтобы изменить модель перехода состояния и обработать ковариацию шума во время симуляции.
Этот синтаксис применяется при установке ControlModel свойство filter в пустую матрицу.
[ определяет силу или вход управления, xpred,Ppred] = predict(filter,u,F,G)u, модель перехода состояния, F, и модель управления, G. Используйте этот синтаксис, чтобы изменить модель перехода состояния и модель управления во время симуляции.
Этот синтаксис применяется при установке ControlModel свойство filter в непустую матрицу.
[ определяет силу или вход управления, xpred,Ppred] = predict(filter,u,F,G,Q)u, модель перехода состояния, F, модель управления, Gи ковариация шума процесса Q. Используйте этот синтаксис, чтобы изменить модель перехода состояния, модель управления и обработать ковариацию шума во время симуляции.
Этот синтаксис применяется при установке ControlModel свойство filter в непустую матрицу.
predict( обновлений filter,___)filter с предсказанным состоянием и состоянием ошибки расчета ковариацией без возврата предсказанных значений. Задайте фильтр отслеживания и любую из комбинаций входных аргументов из предыдущих синтаксисов.
Создайте линейный фильтр Калмана, который использует 2D Constant Velocity модель движения. Предположим, что измерение состоит из местоположения x-y объекта.
Задайте начальную оценку состояния, которая будет 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]';
Спрогнозируйте и исправьте состояние объекта.
for k = 1:size(pos,1) pstates(k,:) = predict(KF,T); cstates(k,:) = correct(KF,pos(k,:)); end
Постройте графики дорожек.
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