从初始检测报告中创建并初始化一个三维常量加速度扩展卡尔曼滤波器对象。

根据初始三维测量创建检测报告，(-200; 30 0)，表示物体位置。假设测量噪声不相关。

检测= objectDetection (0 (-200; -30; 0)“MeasurementNoise”, 2.1 *眼(3),．..“SensorIndex”, 1“ObjectClassID”, 1“ObjectAttributes”，{“汽车”2});

从检测报告中创建新的筛选器并显示其属性。

过滤器= initcaekf(检测)

filter = trackingEKF with properties: State: [9x1 double] StateCovariance: [9x9 double] stattransitionfcn: @constacc stattransitionjacobianfcn: @constaccjac ProcessNoise: [3x3 double] HasAdditiveProcessNoise: 0 MeasurementFcn: @cameas MeasurementJacobianFcn: @cameasjac MeasurementNoise: [3x3 double] hasadditivemeasmentnoise:1 MaxNumOOSMSteps: 0 EnableSmoothing: 0

显示过滤器状态。

过滤器。状态

ans =9×1-200 00 -30 00 00

显示状态协方差矩阵。

过滤器。状态Covariance

ans =9×92.1000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100.0000 100.0000 2.1000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100.0000 100.0000 2.1000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 100.0000 100.0000

初始化一个三维恒加速度扩展卡尔曼滤波器，从一个初始检测报告由初始测量球坐标。如果你想使用球坐标，那么你必须提供一个测量参数结构作为检测报告的一部分框架字段设置为“球”．设置目标的方位角为 $$45^{\circ }$$的高度 $$22^{\circ }$$，量程为1000米，量程速率为-4.0 m/s。

帧=“球”；sensorpos =[25、-40、-10]。';sensorvel =(0; 5。0);宽松=眼(3);

创建测量参数结构。集“HasVelocity”和“HasElevation”来真正的．然后，测量矢量由方位角、仰角、距离和距离速率组成。

measparms =结构(“帧”框架,“OriginPosition”sensorpos,．..“OriginVelocity”sensorvel,“定位”宽松的,“HasVelocity”,真的,．..“HasElevation”,真正的);量= (45,22,1000;4);measnoise =诊断接头(3.0、2.5、2、1.0。^ 2);检测= objectDetection(0,量,“MeasurementNoise”，．..measnoise,“MeasurementParameters”measparms)

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

过滤器= initcaekf(检测);

显示状态向量。

disp (filter.State)

680.6180 -2.6225 0 615.6180 2.3775 0 364.6066 -1.4984 0