insEKF
描述
的insEKF
对象创建一个continuous-discrete扩展卡尔曼滤波器(EKF)的状态预测使用连续时间模型和状态调整使用离散时间模型。过滤器使用惯性传感器的数据来估计平台等州的位置,速度,和方向。工具箱提供了一些传感器模型,如insAccelerometer
,insGyroscope
,insGPS
,insMagnetometer
,你可以使用它来启用相应测量卡尔曼滤波器。你也可以定制自己的传感器模型的继承positioning.insSensorModel
接口类。工具箱还提供了运动模型,如insMotionOrientation
和insMotionPose
,您可以使用它来启用相应的国家传播的卡尔曼滤波器。你也可以定制自己的运动模型的继承positioning.insMotionModel
接口类。
创建
语法
描述
创建一个过滤器
= insEKFinsEKF
过滤器对象的默认属性值。使用默认设置,过滤器可以通过加速度计和陀螺仪数据融合估计取向。
配置过滤器使用运动模型来预测和估计的状态,除了从以前的语法输入参数的任意组合。过滤器保存指定的运动模型过滤器
= insEKF (___motionModel)MotionModel
财产。
配置过滤器使用过滤器
= insEKF (___,选项
)insOptions
对象选项
。
属性
对象的功能
预测 |
预测状态估计的时间insEKF |
保险丝 |
传感器数据融合的状态估计insEKF |
剩余 |
从国家测量残,残协方差insEKF |
正确的 |
正确的状态估计在insEKF 使用直接状态测量 |
stateparts |
获取和设置状态向量的一部分insEKF |
statecovparts |
获取和设置状态协方差矩阵的一部分insEKF |
stateinfo |
状态向量信息insEKF |
estimateStates |
批处理和平滑的传感器数据融合 |
调优 |
调优insEKF 参数估计误差减少 |
createTunerCostTemplate |
调谐器的成本函数创建模板 |
tunerCostFcnParam |
第一个参数为优化代价函数例子 |
复制 |
创建的副本insEKF |
重置 |
复位状态insEKF |
例子
扩展功能
版本历史
介绍了R2022a