例1:在静止的矩形框架中转换检测

考虑一个二维跟踪场景，有一个固定的塔和一辆卡车。位于场景框架原点的塔上装有雷达传感器。在 $\mathit{t}$= 0秒时，位于(10,20,0)米位置的卡车正向行驶 $\mathit{X}$方向以5米/秒的速度。

雷达传感器在场景框架中输出3-D位置和速度测量，因此可以如下写入：

测量1 = [10; 20; 0; 5; 0; 0];% (x, y, z, vx; v; vz]

您可以指定其他属性，例如MeasurmentNoise，SensorIndex，ObjectClassid.， 和ObjectAttributes为objectDetection对象。例如，假设位置和速度测量噪声的标准差分别为10 m和1 m/s，则可定义测量误差协方差矩阵为:

MeasurementNoise1 = DIAG（[10 * oon（3,1）;那些（3,1）]）;

创建一个objectDetection使用这些值。

time1 = 0;%检测时间detect1 = objectDetection (time1 measurement1,'MeasurementNoise'，MeasurementNoise1）

detect1 = objectDetection with properties: Time: 0 Measurement: [6x1 double] MeasurementNoise: [6x6 double] SensorIndex: 1 ObjectClassID: 0 Measurement parameters: {} ObjectAttributes: {}

例2:在移动矩形帧中转换检测

考虑一个带有自我汽车和卡车的二维跟踪场景。在 $\mathit{t}$= 0秒，汽车位于（20,100,0）米上，相对于场景框架。汽车在5米/秒的速度下移动 $\mathit{Y}$场景框架的方向。自我汽车的本地(向前)框架，{ $\mathit{x}$， $\mathit{y}$}，从场景框架旋转90度。和前面的例子一样，位于(10,20,0)米位置的卡车正向行驶 $\mathit{X}$方向以5米/秒的速度。

与此同时，自我汽车在它自己的地方框架内观察卡车，{ $\mathit{x}$， $\mathit{y}$}。在实际应用中，可以直接从ego汽车的传感器系统中获得测量结果。由图可知，卡车的尺寸为[10;10;0 5;5;0]关于{ $\mathit{x}$， $\mathit{y}$}框架的顺序为[x; y; z; vx; vy; vz］.

measurement2 = [10;10;0;5;5;0);% (x, y, z, vx; v; vz]

要指定对象检测，您需要指定来自方案矩形帧的坐标变换{ $\mathit{X}$， $\mathit{Y}$}到本地矩形框架{ $\mathit{x}$， $\mathit{y}$}。你可以使用MeasurementParameters的属性objectDetection以指定这些转换参数。在转换中，场景框架是父和自我车局部的框架是孩子框架。

MP2 =结构();MP2。帧=“矩形”；mp2.originposition = [20;10;0);mp2.originvelocity = [0;5;0);

使用从欧拉角转换的旋转矩阵指定旋转。集Isparenttochild.为true表示从父帧到子帧的旋转。

rotAngle2 = [90 0 0];%(偏航、俯仰、行)rotQuat2 =四元数(rotAngle2,“Eulerd”，“ZYX股票”，“帧”）;rotMatrix2 = rotmat (rotQuat2,“帧”）;mp2.orientation = rotmatrix2;mp2.isparenttochild = true;

指定的测量。

mp2.haselevation = false;mp2.hasazimuth = false;mp2.hasrange = true;mp2.hasvelocity = true;

创建objectDetection对象，并指定MeasurementParameters财产。

time2 = 0;检测2 = ObjectDetection（Time2，Measurement2，“MeasurementParameters”, MP2)

detection2 = objectDetection with properties: Time: 0 Measurement: [6x1 double] MeasurementNoise: [6x6 double] SensorIndex: 1 ObjectClassID: 0 MeasurementParameters: [1x1 struct] ObjectAttributes: {}

要验证对象检测，可以使用cvmeas.测量功能以再生测量。的cvmeas.函数可以以目标的实际状态和测量参数为输入。的状态输入cvmeas.是按[x, vx; y, v, z,登陆］.如下输出所示，结果一致测量2.．

State2 = [10; 5; 20; 0; 0; 0];％[x; vx; y; vy; z; vz]CVMEAS2 = CVMEAS（State2，MP2）% (x, y, z, vx; v; vz]

cvmeas2 =6×110.0000 10.0000 0 -5.0000 -5.0000 0

示例3：转换运动球框架中的检测

考虑前面的跟踪场景，只是现在的测量是由一个带有球形输出帧的扫描雷达获得的。雷达的轴向对准 $\mathit{Y}$方向（与 $\mathit{x}$方向) $\mathit{t}$= 0秒。

由于卡车和汽车之间的相对速度是在视线方向，测量，这是在[方位角;海拔高度;范围;，可以通过以下方法得到:

测量3 = [45;0;10 /信德(45);5 /信德(45)];％[alz; el; rng; rr]。单位以度为单位。

指定测量参数。

MP3 =结构();MP3。帧=“球”；子框架是球形的。MP3。OriginPosition = [20;10;0);MP3。OriginVelocity = [0;5;0);%指定旋转。rotAngle3 = [90 0 0];rotQuat3 =四元数(rotAngle3,“Eulerd”，“ZYX股票”，“帧”）;rotMatrix3 = rotmat (rotQuat3,“帧”）;mp3.orientation = rotmatrix3;mp3.isparenttochild = true;

集haselevation.和HasAzimuth到真的输出球面子坐标系中的方位角和仰角。集hasrange.和HasVelocity既真的分别输出量程和量程速率。

MP3。HasElevation = true;MP3。HasAzimuth = true;MP3。HasRange = true;MP3。HasVelocity = true;

创建objectDetection对象。

历史问题= 0;measurement3 detection3 = objectDetection(历史问题,“MeasurementParameters”、MP3)

Detection3 =具有属性的ObjectDetection：时间：0测量：[4x1 Double] MeasurementNoise：[4x4 Double] SensorIndex：1 objectClassID：0测量参数：[1x1 struct] ObjectAttributes：{}

使用以下方法验证结果cvmeas.．结果与测量3.．

State3 = [10; 5; 20; 0; 0; 0];％[x; vx; y; vy; z; vz]cvmeas3 = cvmeas (state3、MP3)% (az; el rng; rr)

cvmeas3 =4×145.0000 0 14.1421 -7.0711

示例4：在三个帧之间转换检测

考虑之前的跟踪场景，只是现在雷达的轴向旋转45度 $\mathit{x}$汽车的局部框架的方向。

在新的球面坐标系中表示的新测量值{ ${\mathit{x}}^{”}$， ${\mathit{y}}^{”}$},有:

measurement4 = [0;0;10 /信德(45);5 /信德(45)];% (az; el rng; rr)

对于测量参数，可以指定从场景框架到新球面框架的135度旋转。或者，你可以指定它为两个连续的旋转: $\mathit{X}$， $\mathit{Y}$}到矩形{ $\mathit{x}$， $\mathit{y}$}和矩形{ $\mathit{x}$， $\mathit{y}$}变为球形{ ${\mathit{x}}^{”}$， ${\mathit{y}}^{”}$}。为说明支持的多帧变换特性金宝appMeasurementParameters属性，此示例使用后一种方法。

第一组测量参数与MP2中使用的例2.．MP2考虑矩形旋转{ $\mathit{X}$， $\mathit{Y}$}到矩形{ $\mathit{x}$， $\mathit{y}$}。对于第二组测量参数，MP4，您只需要指定从矩形{旋转45度 $\mathit{x}$， $\mathit{y}$}变为球形{ ${\mathit{x}}^{”}$， ${\mathit{y}}^{”}$}。

MP4 =结构();MP4。帧=“球”；mp4.originposition = [0;0;0);%托管的位置。MP4。OriginVelocity = [0;0;0);同一原点速度。%指定旋转。Rotangle4 = [45 0 0];rotquat4 =四元数（Rotangle4，“Eulerd”，“ZYX股票”，“帧”）;rotmatrix4 = rotmat（rotquat4，“帧”）;mp4.Oorientation = Rotmatrix4;mp4.isparenttochild = true;%在子框架中指定输出。MP4。HasElevation = true;MP4。HasAzimuth = true;MP4。HasRange = true;MP4。HasVelocity = true;

创建相结合MeasurementParameters输入,货币政策委员会．

MPC = [MP4 MP2];

创建objectDetection对象。

time4 = 0;检测4 = ObjectDetection（Time4，Measurement4，“MeasurementParameters”，MPC）

detection4 = objectDetection with properties: Time: 0 Measurement: [4x1 double] MeasurementNoise: [4x4 double] SensorIndex: 1 ObjectClassID: 0 Measurement parameters: [1x2 struct] ObjectAttributes: {}

使用以下方法验证结果cvmeas.．结果是一致的测量4.．

state4 =[10; 5、20 0,0,0);％[x; vx; y; vy; z; vz]CVMEAS4 = CVMEAS（State4，MPC）％[alz; el; rr; rrate]

cvmeas4 =4×10.0000 0 14.1421 -7.0711

示例5:转换3D检测

考虑一个无人驾驶飞行器（UAV）监测一个地区。在 $\mathit{t}$= 0秒时，UAV相对于全球东北向下(NED)帧处于(5,5，-1)公里的位置。无人机的速度为(- 50,100,5)m/s。无人机机体骨架的方位{ $\mathit{x}$， $\mathit{y}$， $\mathit{z}$关于全局NED帧的偏航，俯仰和滚动为（-120,2,2）。与此同时，（1,1,0）公里的速度的汽车正在以30米/秒的速度移动。UAV使用与其自己的体轴对齐的雷达系统测量汽车。

基于此信息，指定测量变换的运动参数。

指定UAV Body帧的帧类型，原点位置和原点速度。

mp5 = struct（）;mp5.frame =.“球”；mp5.originposition = [5000;5000;-1000];mp5.originvelocity = [-50;-100;5];

指定从NED帧的旋转到UAV正文帧。

rot_angle = [-120 2 2];%(偏航、俯仰、滚)Rot_quat5 =四元数(Rot_angle5,“Eulerd”，“ZYX股票”，“帧”）;rot_matrix5 = rotmat（rot_quat5，“帧”）;里。取向= Rot_matrix5;里。IsParentToChild = true;

在球面框架中指定输出测量值。

里。HasElevation = true;里。HasAzimuth = true;里。HasRange = true;里。HasVelocity = true;

您可以直接从UAV上的雷达系统获得测量。使用cvmeas.功能是获得测量。测量按[方位角;高度;范围;范围率]。

car_state5 = [1000; 0; 1000; 30 0; 0];% [x, vx; y; v; z; vz]。measurement5 = cvmeas (car_state5里);meas_az5 = measurement5 (1)

meas_az5 = -14.6825.

meas_el5 = measurement5 (2)

meas_el5 = 12.4704

meas_rng5 = measurement5 (3)

meas_rng5 = 5.7446e + 03

meas_rr5 = measurement5 (4)

meas_rr5 = -126.2063.

仰角定义为从xy平面到z方向的一个角。这就是为什么地面上的目标相对于无人机的仰角是正的。整个工具箱都使用这个约定。

方位角、仰角、距离和距离率的测量噪声分别为[1,1,20,2]。此外，雷达的指数为2，雷达可以根据“类型”将探测到的目标划分为1。汽车的．

index5 = 2;covariance5 =诊断接头([1;1;20;2]);classID5 = 1;

创建一个objectDetection对象进行检测。

time5 = 0;检测= objectDetection (time5 measurement5,“SensorIndex”index5,......'MeasurementNoise'covariance5,'objectclassid'classID5,“MeasurementParameters”里)

detection = objectDetection with properties: Time: 0 Measurement: [4x1 double] MeasurementNoise: [4x4 double] SensorIndex: 2 ObjectClassID: 1 MeasurementParameters: [1x1 struct] ObjectAttributes: {}