stateEstimatorPF
创建粒子滤波状态估计量
描述
的stateEstimatorPF
对象是一个递归的贝叶斯状态估计量,利用离散粒子近似估计状态的后验分布。
粒子滤波算法计算状态估计递归和涉及两个步骤:预测和修正。以前预测步骤使用状态来预测当前状态基于给定的系统模型。校正步骤使用电流传感器测量正确的状态估计。算法周期性地重新分配,或重新取样,状态空间中的粒子匹配估计状态的后验分布。
估计状态由状态变量。每个粒子代表一个离散状态假设这些状态变量。所有粒子的集合是用来帮助确定最终的状态估计。
可以将粒子滤波应用到任意的非线性系统模型。过程和测量噪声可以按照任意非高斯分布。
在粒子滤波的更多信息工作流和设置特定参数,见:
创建
属性
对象的功能
初始化 |
初始化粒子滤波的状态 |
getStateEstimate |
从粒子提取最佳状态估计和协方差 |
预测 |
预测下一个时间步的机器人 |
正确的 |
调整状态估计基于传感器测量 |
例子
引用
[1]Arulampalam,硕士,S. Maskell, N. Gordon, and T. Clapp. "A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking."IEEE信号处理。50卷,2号,2002年2月,页174 - 188。
[2],Z。“贝叶斯过滤:从卡尔曼粒子过滤器,过滤器,和超越。”统计数据。1号卷。182年,2003年,页1 - 69。