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”
。
设置过滤器
= 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。
指定了过滤器
= 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”
。
设置过滤器
= 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”
。
卡尔曼滤波器的配置属性通过使用一个或多个名称参数和任何以前的语法。任何未指定的属性默认值。在报价附上每个属性的名字。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
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