trackingKF
描述
一个trackingKF对象是一个离散时间线性卡尔曼滤波器用来跟踪状态,如位置和速度目标平台。
卡尔曼滤波是一种递归算法估算的进化状态过程测量时的过程。过滤状态空间模型假设,包括状态模型和测量模型,是线性的。当过程噪声和测量噪声是高斯和运动模型是线性的,卡尔曼滤波器是最优的。简要描述的线性卡尔曼滤波算法,明白了线性卡尔曼滤波器。
您可以使用一个trackingKF对象在这些方面:
设置
MotionModel属性到一个预定义的状态转换模型。看到MotionModel这些模型属性的细节。“一维恒定速度”“一维恒定加速度”“二维恒定速度”“二维恒定加速度”“3 d恒定速度”“3 d恒定加速度”
显式地设置运动模型。设置
MotionModel财产“自定义”,然后使用StateTransitionModel和MeasurementModel属性指定状态转移矩阵和测量矩阵,分别。可选地,您可以指定控制输入指定ControlModel财产。
创建
语法
描述
过滤器= trackingKF创建一个离散时间线性卡尔曼滤波估计的状态对象2 d,常速,移动物体。这个函数设置MotionModel财产的过滤器“二维恒定速度”。
过滤器= trackingKF (“MotionModel”,模型)MotionModel房地产一个预定义的运动模型,模型。在这种情况下,过滤初始化状态作为一个双精度零向量基于运动模型的维数。过滤器配置MeasurementModel财产的度量模型返回的位置测量。
过滤器= trackingKF (一个,H)StateTransitionModel和MeasurementModel属性一个和H,分别。这个函数设置MotionModel财产“自定义”。
过滤器= trackingKF (一个,H,B)ControlModel属性来指定的B。这个函数设置MotionModel财产“自定义”。
过滤器= trackingKF (___,的名字,价值)
属性
对象的功能
预测 |
预测状态和状态估计误差协方差的线性卡尔曼滤波器 |
正确的 |
正确的状态和状态估计误差协方差使用跟踪滤波器 |
correctjpda |
正确的状态和状态估计误差协方差使用跟踪滤波器和JPDA |
距离 |
当前和预测之间的距离的测量跟踪滤波器 |
可能性 |
从跟踪滤波器测量的可能性 |
克隆 |
创建重复跟踪滤波器 |
剩余 |
测量残余和残余噪声跟踪滤波器 |
光滑的 |
落后的光滑状态跟踪滤波器的估计 |
retrodict |
Retrodict过滤器前一个时间步 |
retroCorrect |
正确的过滤器使用retrodiction OOSM |
retroCorrectJPDA |
正确的跟踪滤波器OOSMs使用JPDA-based算法 |
初始化 |
初始化状态和协方差的跟踪滤波器 |
tunableProperties |
获得可调谐滤波器的性质 |
setTunedProperties |
设置属性调整值 |
例子
创建常速线性卡尔曼滤波器
创建一个线性卡尔曼滤波器,使用一个2 d匀速运动模型。假设测量包括xy -对象的位置。
指定初始状态估计零速度。
x = 5.3;y = 3.6;initialState = [x; 0; y; 0];KF = trackingKF (“MotionModel”,“二维恒定速度”,“状态”,initialState);
创建对象的测量位置常速轨迹。
vx = 0.2;v = 0.1;T = 0.5;pos = [0: vx * T: 2;5:v * T: 6];
正确预测和对象的状态。
为k = 1:尺寸(pos, 1) pstates (k,:) =预测(KF, T);cstates (k) =正确(KF, pos (k,:));结束
画出痕迹。
情节(pos (: 1), pos (:, 2),“k”。pstates (: 1), pstates (:, 3),“+”,…cstates (: 1), cstates (:, 3),“o”)包含(“x [m]”)ylabel (“y [m]”)网格xt = [x - 2, pos (1,1) + 0.1, pos(结束,1)+ 0.1);欧美= [y, pos (1、2), pos (, 2)];文本(xt,欧美,“第一测量”,“第一位置”,“最后的位置”])传说(“对象位置”,“预测位置”,“纠正位置”)
![图包含一个坐标轴对象。坐标轴对象包含x [m], ylabel y [m]包含6行类型的对象,文本。一个或多个行显示的值只使用这些对象标记代表对象的位置,预测位置,纠正位置。](http://www.tatmou.com/au/help/examples/shared_tracking_fusion/win64/ConstantVelocityLinearKalmanFilterExample_01.png)
使用自定义trackingKF与控制输入
指定一个仿真时间10秒的时间步1秒。
rng (2021)%的可重复的结果simulationTime = 20;dt = 1;tspan = 0: dt: simulationTime;步骤=长度(tspan);
指定运动模型的二维恒定速度模型的状态(x;vx;y;v]。测量(x;y]。
A1D = [1 dt;0 1];一个= kron(眼(2),A1D)%状态transiton模型
一个=4×41 1 0 0 0 1 0 0 0 0 1 1 0 0 0 1)
H1D = [1 0];H = kron(眼(2),H1D)%的度量模型
H =2×41 1 0 0 0 0 0 0
σ= 0.2;R =σ^ 2 *眼(2);%测量噪声协方差
指定一个控制模型矩阵。
B1D = [0;1);B = kron(眼(2),B1D)%控制模型矩阵
B =4×20 0 1 0 0 0 0 1)
假设控制输入正弦速度分量,vx和v。
获得= 5;用户体验=获得* sin (tspan(2:结束);Uy =获得* cos (tspan(2:结束);U =[用户体验;Uy];%控制输入
假设真正的初始状态是(1 1 1 1),模拟系统获得真实状态和测量。
initialState = [1 1 1 1] ';% (m m / s m m / s)trueStates =南(步骤4);trueStates (: 1) = initialState;为我= 2:步骤trueStates(:,我)= A * trueStates(张:,)+ B * U(张:,);结束测量= H * trueStates +胆固醇(R) * randn(步骤);
可视化的真实轨迹和测量。
图绘制(trueStates (1:), trueStates (3:)“DisplayName”,“真相”)举行在情节(测量(1:),测量(2:)“x”,“DisplayName”,“测量”)包含(“x”(m))ylabel (“y (m)”传说)
创建一个trackingKF过滤器与一个定制的运动模型。使指定控制模型的控制输入。在过滤器中指定初始状态的基础上,首先测量。
initialFilterState =[测量(1,1);0;测量(2,1);0);过滤器= trackingKF (“MotionModel”,“自定义”,…“StateTransitionModel”一个,…“MeasurementModel”H,…“ControlModel”B…“状态”,initialFilterState);
用估计状态预测和正确的对象的功能。
estimateStates =南(步骤4);estimateStates (: 1) = initialFilterState;为我= 2:步骤预测(过滤器,U(张:,));estimateStates (:, i) =正确(过滤器,测量(:,我));结束
可视化状态估计。
情节(estimateStates (1:), estimateStates (3:)“g”,“DisplayName”,“估计”);
引用
[1]布朗R.G. P.Y.C.王。介绍了随机信号分析和应用卡尔曼滤波。第3版。纽约:约翰·威利& Sons, 1997。
[2]卡尔曼,r E。“一个线性滤波和预测问题的新方法。”事务ASME-Journal的基础工程D系列,卷。82年,1960年3月,35 - 45页。
[3]Blackman,撒母耳。多个目标与雷达跟踪应用程序。Artech房子。1986。
扩展功能
版本历史
介绍了R2018b
