目标跟踪的无迹卡尔曼滤波器
这个trackingUKF
目标是一种离散时间无迹卡尔曼滤波器,用于跟踪目标的位置和速度在自动驾驶场景中可能遇到的对象。这些物体包括汽车、行人、自行车和固定的建筑物或障碍物。
无迹卡尔曼滤波器是一种递归算法,用于在对过程进行测量时估计过程的演化状态。unscented卡尔曼滤波器可以模拟服从非线性运动模型的状态的演化。测量值也可以是状态的非线性函数,并且过程和测量值可能有噪声。
使用无迹卡尔曼滤波器,当这两个条件之一适用:
当前状态是前一状态的非线性函数。
测量值是状态的非线性函数。
unscented卡尔曼滤波器通过使用固定数量的sigma点来估计状态的不确定性及其在非线性状态和测量方程中的传播。西格玛点是通过使用无迹变换来选择的,由α
,β
,卡巴
属性。
过滤器=trackingUKF
的默认值为离散时间系统创建无迹卡尔曼滤波对象StateTransitionFcn
,测量
,状态
属性。假设过程噪声和测量噪声是附加的。
指定状态转移函数,过滤器
= trackingUKF (transitionfcn
,测量
,状态
)transitionfcn
,测量功能,测量
,系统的初始状态,状态
.
使用一个或多个参数配置unscented卡尔曼滤波器对象的属性过滤器
= trackingUKF (___,名称、值
)名称、值
Pair参数和前面的任何语法。任何未指定的属性都有默认值。
无迹卡尔曼滤波器估计由非线性随机方程控制的过程的状态
在哪里xK状态是否处于正常状态K.f ()为状态转移函数,UK是过程的控制。运动可能会受到随机噪声扰动的影响,WK. 过滤器还支持简化形式,金宝app
要使用简化的形式,setHasAdditiveProcessNoise
来真正的
.
在无气味卡尔曼滤波器中,测量值也是状态的一般函数,
在哪里h (x)K, vK, t)是测量函数,它决定了作为状态函数的测量值。典型的测量是位置和速度或它们的一些函数。测量也可以包括噪声,用vK.同样,本课程提供了一个更简单的公式
要使用简化的形式,setHasAdditiveMeasurmentNoise
来真正的
.
这些方程代表了物体的实际运动和实际测量值。然而,噪声在每一步的贡献是未知的,不能准确建模。只有噪声的统计性质是已知的。
[1] Brown、R.G.和P.Y.C.Wang。随机信号分析与应用卡尔曼滤波简介. 第三版。纽约:约翰·威利父子公司,1997年。
[2]卡尔曼,R. E. <线性滤波和预测问题的新方法>。基础工程学报学报.第82卷,D系列,1960年3月,35-45页。
[3] 万,埃里克A.和R.范德梅尔韦。“非线性估计的无迹卡尔曼滤波器”。信号处理、通信和控制的自适应系统.《电子学报》,2000,pp.153-158。
[4] Wan,山鸟。"无气味卡尔曼滤波器"在卡尔曼滤波与神经网络.西蒙·海金(Simon Haykin)编辑。John Wiley & Sons, Inc, 2001。
关于随机微分方程的递归贝叶斯推理。博士论文。芬兰赫尔辛基理工大学。2006。
[6] 布莱克曼,塞缪尔。多目标跟踪与雷达应用.Artech房子,1986。
康斯塔克
|康斯塔克贾克
|cameas
|cameasjac
|康斯特伦
|康斯特恩贾克
|ctmeas
|ctmeasjac
|constvel
|constveljac
|cvmeas
|cvmeasjac
|initcaukf
|initcvukf
|initctukf