主要内容

trackingCKF

容积卡尔曼滤波跟踪对象

扩展所有的页面

描述

的trackingCKF对象表示一个容积卡尔曼滤波跟踪对象的设计遵循非线性运动模型或测量非线性测量模型。使用过滤器来预测未来对象的位置,减少噪音的测量位置,或帮助将多个对象检测与跟踪。

容积卡尔曼滤波估计状态的不确定性,这种不确定性传播的非线性状态和测量方程。有固定数量的体积分选择基于spherical-radial转换保证精确的近似高斯分布到第三。因此,相应的过滤器是一样的无味卡尔曼滤波器,trackingUKF,α= 1,β= 0,卡巴= 0。

创建

语法

位置= trackingCKF
位置= trackingCKF (transitionFcn、measuremntFcn状态)
位置= trackingCKF (___、名称、值)

描述

位置= trackingCKF返回一个容积卡尔曼滤波与默认状态转换函数对象,测量功能、状态和添加剂噪声模型。

例子

位置= trackingCKF (transitionFcn、measuremntFcn、状态)指定了StateTransitionFcn,MeasurementFcn,状态直接属性。

位置= trackingCKF (___、名称、值)指定的属性使用一个或多个卡尔曼滤波器名称,值对参数。任何未指定的属性默认值。

属性

全部展开

卡尔曼滤波器的状态,指定为一个实值米元向量。

如果你想要一个过滤器与单精度浮点变量,指定状态作为一个单精度向量变量。例如,

过滤器= trackingCKF(“状态”,单([1;2;3;4)))

例子:(200;0.2;150;0.1;0;0.25]

数据类型:单|双

状态误差协方差,指定为正定实值米——- - - - - -米矩阵,米过滤器的大小状态。协方差矩阵表示的不确定性过滤状态。

例子:眼(6)

状态转换函数,指定为一个函数处理。这个函数计算时间步的状态向量k在时间步的状态向量k- 1。函数可以把额外的输入参数,如控制输入或时间步长。还可以包括噪声值的函数。

状态转换函数的有效的语法取决于过滤器添加剂过程噪音。表显示了基于价值的有效的语法HasAdditiveProcessNoise财产。

有效的语法(HasAdditiveProcessNoise = true) 有效的语法(HasAdditiveProcessNoise = false) 
x (k) = statetransitionfcn (x (k - 1)) x (k) = statetransitionfcn (x (k - 1),参数)

  • x (k)国家在时间吗k。

  • 参数代表所有所需的附加参数状态转换函数。

 
x (k) = statetransitionfcn (x (k - 1), w (k - 1)) x (k) = statetransitionfcn (x (k - 1), w (k - 1), dt) x (k) = statetransitionfcn(__,参数)

  • x (k)国家在时间吗k。

  • w (k)是一个值的过程噪声的时间吗k。

  • dt的时间步长是吗trackingCKF过滤器,过滤器,最近调用中指定预测函数。的dt论点适用于当您使用过滤器内追踪和调用预测函数的滤波器预测跟踪下一个时间步的状态。对于非相加的过程噪声的情况,跟踪器假设您显式地指定时间一步使用这种语法:预测(过滤器,dt)。

  • 参数代表所有所需的附加参数状态转换函数。

例子:@constacc

数据类型:function_handle

过程噪声协方差:

  • 当HasAdditiveProcessNoise是真正的,指定过程噪声协方差作为标量或正定实值米——- - - - - -米矩阵。米状态向量的维数。当指定为一个标量,矩阵的多米——- - - - - -米单位矩阵。

  • 当HasAdditiveProcessNoise是假,指定过程噪声协方差作为问——- - - - - -问矩阵。问过程噪声向量的大小。

    指定ProcessNoise在任何调用之前预测函数。在以后的调用预测,您可以选择指定的过程噪声作为标量。在这种情况下,过程噪声矩阵的多问——- - - - - -问单位矩阵。

例子:(1.0 - 0.05 0;0.05 1.0 2.0;0 2.0 1.0]

依赖关系

这个参数取决于HasAdditiveNoise财产。

选择模型过程噪声作为添加剂,指定为真正的或假。当这个属性真正的、过程噪声添加到状态向量。否则,噪音是纳入状态转换函数。

度量模型函数,指定为一个函数处理。这个函数可以预测的非线性函数,模型测量状态。输入函数米有效状态向量。输出是N有效测量向量。该函数可以把额外的输入参数,如传感器位置和姿态。

  • 如果HasAdditiveMeasurementNoise是真正的使用这些语法,指定的函数:

    z (k) = measurementfcn (x (k))
    z (k) = measurementfcn (x (k),参数)
    在哪里x (k)国家在时间吗k,z (k)预测的测量在时间吗k。的参数词代表所有所需的附加参数测量功能。

  • 如果HasAdditiveMeasurementNoise是假使用这些语法,指定的函数:

    z (k) = measurementfcn (x (k), v (k))
    z (k) = measurementfcn (x (k), v (k),参数)
    在哪里x (k)国家在时间吗k,v (k)测量噪声在时间吗k。的参数参数代表所有所需的附加参数测量功能。

例子:@cameas

数据类型:function_handle

测量噪声协方差:。

  • 当HasAdditiveMeasurementNoise是真正的,指定的测量噪声协方差作为一个标量或一个N——- - - - - -N矩阵。N是测量向量的大小。当指定为一个标量,矩阵的多N——- - - - - -N单位矩阵。

  • 当HasAdditiveMeasurementNoise是假,指定的测量噪声协方差作为R——- - - - - -R矩阵。R是测量噪声向量的大小。

    指定MeasurementNoise在任何调用之前正确的函数。在第一次调用正确的,您可以选择指定的测量噪声作为标量。在这种情况下,测量噪声矩阵的多R——- - - - - -R单位矩阵。

例子:0.2

选项来启用添加剂测量噪音,指定为真正的或假。当这个属性真正的、噪声添加到测量。否则,噪音是纳入测量功能。

选项来启用添加剂测量噪音,指定为真正的或假。当这个属性真正的、噪声添加到测量。否则,噪音是纳入测量功能。

启用状态平滑,指定为假或真正的。将这个属性设置为真正的需要传感器融合和跟踪工具箱™许可证。当指定为真正的,您可以:

  • 使用光滑的功能,传感器融合和跟踪提供的工具箱,光滑状态估计在前面的步骤。在内部,过滤器商店前面的步骤的结果允许向后平滑。

  • 使用指定的最大数量平滑步骤MaxNumSmoothingSteps财产的跟踪滤波器。

最大数量的向后平滑步骤,指定为一个正整数。

依赖关系

要启用这个特性,设置EnableSmoothing财产真正的。

对象的功能

预测 预测状态和状态估计误差协方差的跟踪滤波器
正确的 正确的状态和状态估计误差协方差使用跟踪滤波器
correctjpda 正确的状态和状态估计误差协方差使用跟踪滤波器和JPDA
距离 当前和预测之间的距离的测量跟踪滤波器
可能性 从跟踪滤波器测量的可能性
剩余 测量残余和残余噪声跟踪滤波器
光滑的 落后的光滑状态跟踪滤波器的估计
克隆 创建重复跟踪滤波器

例子

全部折叠

打开生活的脚本

这个例子展示了如何创建并运行一个trackingCKF过滤器。调用预测和正确的函数来跟踪一个物体和正确的基于测量的状态估计。

创建一个过滤器。指定匀速运动模型,度量模型,初始状态。

状态= [0,0,0,0,0,0);位置= trackingCKF (@constvel、@cvmeas、状态);

调用预测预测的状态和协方差的过滤器。使用0.5秒时间步。

[xPred, ppr] =预测(位置,0.5);

调用正确的与一个给定的测量。

量= (1;1,0);[xCorr, pCorr] =正确(位置、量);

继续预测滤波器的状态。必要时指定所需的时间步在几秒钟内。

[xPred, ppr] =预测(位置);%预测超过1秒[xPred, ppr] =预测(位置2);%预测/ 2秒

引用

[1]Arasaratnam Ienkaran,西蒙微积分。”容积卡尔曼滤波器。“IEEE自动控制54,不。6 (2009):1254 - 1269。

扩展功能

另请参阅

功能

对象

介绍了R2018b

传感器融合和跟踪工具箱文档

金宝app

自治系统的传感器融合和跟踪”src=

自治系统的传感器融合和跟踪

下载白皮书