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
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。
过滤器= insEKF (___motionModel)MotionModel财产。
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
创建insEKF不同的配置
创建一个默认的insEKF对象。默认情况下,过滤器融合加速度计和陀螺仪的测量数据假设orientation-only运动。
filter1 = insEKF
filter1 = insEKF属性:状态:x1双[13]StateCovariance:[13 * 13双]AdditiveProcessNoise:[13 * 13双]MotionModel: [1 x1 insMotionOrientation]传感器:{[1 x1 insAccelerometer] [1 x1 insGyroscope]} SensorNames:{“加速器”“陀螺”}ReferenceFrame:“NED”
创建第二个insEKF对象融合数据从一个加速度计、陀螺仪、磁强计,以及模型平移运动和旋转运动。
filter2 = insEKF (insAccelerometer insGyroscope、insMagnetometer insMotionPose)
filter2 = insEKF属性:状态:[28 x1双]StateCovariance: [28 x28双]AdditiveProcessNoise: [28 x28双]MotionModel: [1 x1 insMotionPose]传感器:{[1 x1 insAccelerometer] [1 x1 insGyroscope] [1 x1 insMagnetometer]} SensorNames:{“加速器”“陀螺”“磁强计”}ReferenceFrame:“内德”
创建一个第三insEKF对象从陀螺仪融合数据和GPS。指定过滤器的参考系作为east-north-up ENU表示框架。注意,过滤器使用的运动模型insMotionPose对象,因为一个GPS测量平台的位置。
选择= insOptions (ReferenceFrame =“ENU表示”);filter3 = insEKF (insGyroscope、insGPS选项)
filter3 = insEKF属性:状态:[19 x1双]StateCovariance: [19 x19双]AdditiveProcessNoise: [19 x19双]MotionModel: [1 x1 insMotionPose]传感器:{[1 x1 insGyroscope] [1 x1 insGPS]} SensorNames:{“陀螺”“GPS”} ReferenceFrame:“ENU表示”
序贯融合加速度计和陀螺仪数据使用insEKF
负载从一个加速度计和陀螺仪测量数据。
负载(“accelGyroINSEKFData.mat”);
创建一个insEKF过滤器对象。指定方向的一部分在过滤器使用测量数据的初始取向。指定状态估计误差协方差矩阵的对角元素对应于取向状态0.01。
accel = insAccelerometer;陀螺= insGyroscope;filt = insEKF (accel,陀螺);stateparts (filt“定位”紧凑(ld.initOrient));statecovparts (filt“定位”1依照);
指定测量噪声和添加剂过程噪声。您可以获得使用这些值调优过滤器对象的目标函数。
accNoise = 0.1739;gyroNoise = 1.1129;processNoise =诊断接头([…2.8586 1.3718 0.8956 3.2148 4.3574 2.5411 3.2148 0.5465 0.2811…1.7149 0.1739 0.7752 0.1739]);filt。AdditiveProcessNoise = processNoise;
按顺序把测量数据使用预测和保险丝过滤的对象功能对象。
N =大小(ld.sensorData, 1);estOrient = quaternion.zeros (N, 1);dt =秒(diff (ld.sensorData.Properties.RowTimes));为2 = 1:N如果ii ~ = 1%的一步。预测(filt dt (ii-1));结束%融合加速度计数据。保险丝(filt、accel ld.sensorData.Accelerometer (ii):), accNoise);%陀螺仪数据融合。保险丝(filt、陀螺、ld.sensorData.Gyroscope (ii):), gyroNoise);%提取取向状态估计使用stateparts对象%的功能。estOrient (ii) =四元数(stateparts (filt,“定位”));结束
可视化估计错误,使用四元数的距离经销对象的函数四元数对象。
图绘制(rad2deg (dist (estOrient ld.groundTruth.Orientation)))包含(“样本”)ylabel (“距离(度)”)标题(“取向估计错误”)
批处理融合和国家平滑使用insEKF
负载从一个加速度计和陀螺仪测量数据。
负载(“accelGyroINSEKFData.mat”);
创建一个insEKF过滤器对象。指定方向的一部分在过滤器使用测量数据的初始取向。指定状态估计误差协方差矩阵的对角元素对应于取向状态0.01。
filt = insEKF;stateparts (filt“定位”紧凑(ld.initOrient));statecovparts (filt“定位”1依照);
指定测量噪声和添加剂过程噪声。您可以获得使用这些值调优过滤器对象的目标函数。
measureNoise =结构(“AccelerometerNoise”,0.1739,…“GyroscopeNoise”,1.1129);processNoise =诊断接头([…2.8586 1.3718 0.8956 3.2148 4.3574 2.5411 3.2148 0.5465 0.2811…1.7149 0.1739 0.7752 0.1739]);filt。AdditiveProcessNoise = processNoise;
Batch-estimate美国使用estimateStates对象的功能。同时,获得平滑后的估计。
(估计,smoothEstimates) = estimateStates (filt、ld.sensorData measureNoise);
可视化欧拉角的方向估计。
图t = estimates.Properties.RowTimes;情节(t, eulerd (estimates.Orientation“ZYX股票”,“帧”));标题(“估计取向”);ylabel (“度”)
可视化估计方向平滑后欧拉角。
图绘制(t, eulerd (smoothEstimates.Orientation“ZYX股票”,“帧”));标题(“平滑取向”);ylabel (“度”)
可视化估计错误,使用四元数的距离经销对象的函数四元数对象。
trueOrient = ld.groundTruth.Orientation;情节(t, rad2deg(经销(估计。取向,trueOrient)),…t, rad2deg(经销(smoothEstimates。取向,trueOrient)));标题(“估计和平滑误差”);传奇(“估计误差”,“平滑错误”)包含(“时间”);ylabel (“度”)
扩展功能
版本历史
介绍了R2022a
