用于目标跟踪的扩展卡尔曼滤波器
一个trackingEKF
对象是用于跟踪位置和速度的离散时间扩展卡尔曼滤波器目标和对象。
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。当状态遵循非线性运动模型时,当测量是状态的非线性函数时,或者当两个条件都适用时,扩展卡尔曼滤波器可以模拟状态的演化。扩展卡尔曼滤波是建立在非线性方程线性化基础上的。这种方法导致了一个类似于线性卡尔曼滤波器的滤波器公式,trackingKF
.
过程和测量值可以有高斯噪声,可以通过以下方式包含:
在过程和测量中添加噪声。在这种情况下,过程噪声和测量噪声的大小必须分别与状态向量和测量向量的大小相匹配。
在状态转换函数、测量模型函数或两个函数中添加噪声。在这些情况下,相应的噪声大小不受限制。
filter = trackingEKF
属性的默认值为离散时间系统创建扩展卡尔曼筛选器对象StateTransitionFcn
,MeasurementFcn
,状态
属性。假设过程噪声和测量噪声是相加的。
指定状态转换函数,过滤器
= trackingEKF (transitionfcn
,measurementfcn
,状态
)transitionfcn
,测量函数,measurementfcn
,系统的初始状态,状态
.
通过使用一个或多个扩展卡尔曼滤波器对象来配置扩展卡尔曼滤波器对象的属性过滤器
= trackingEKF (___,名称,值
)名称,值
对参数和任何前面的语法。任何未指定的属性都有默认值。
扩展卡尔曼滤波器估计由以下非线性随机方程控制的过程的状态:
xk状态是同步的吗k.f ()是状态转移函数。随机噪声扰动,wk,可以影响物体的运动。该过滤器还支持简化的表单,金宝app
若要使用简化形式,请设置HasAdditiveProcessNoise
来真正的
.
在扩展卡尔曼滤波器中,测量值也是状态的一般函数:
h (x)k, vk, t)是测量函数,它将测量值确定为状态的函数。典型的测量方法是位置和速度或者位置和速度的函数。测量还可以包括噪声,用vk.同样,过滤器提供了一个更简单的公式。
若要使用简化形式,请设置HasAdditiveMeasurmentNoise
来真正的
.
这些方程代表了物体的实际运动和实际测量。但是,每一步的噪声贡献是未知的,不能确定地建模。只有噪声的统计特性是已知的。
[1]布朗,R.G.和P.Y.C.王。随机信号分析及应用卡尔曼滤波导论.第3版。纽约:John Wiley & Sons出版社,1997年。
[2]卡尔曼,R. E. <线性滤波和预测问题的新方法>。美国机械工程师学会学报基础工程学报.第82卷D辑,1960年3月,第35-45页。
布莱克曼,塞缪尔和R.波波利。现代跟踪系统的设计与分析.Artech House.1999。
布莱克曼,塞缪尔。雷达多目标跟踪应用.Artech House, 1986年。
constacc
|constaccjac
|cameas
|cameasjac
|constturn
|constturnjac
|ctmeas
|ctmeasjac
|constvel
|constveljac
|cvmeas
|cvmeasjac
|initcaekf
|initcvekf
|initctekf
trackingKF
|trackingUKF
|trackingCKF
|trackingGSF
|trackingPF
|trackingIMM
|trackingABF
|trackingMSCEKF
|trackerTOMHT
|trackerGNN