主要内容

trackinggsf.

用于目标跟踪的高斯和滤波器

展开页面中的所有内容

描述

的trackinggsf.对象表示设计用于对象跟踪的高斯和滤波器。您可以通过一组有限的高斯和组件定义状态概率密度函数。使用此滤波器跟踪需要多模型描述的对象由于状态不完全通过测量值。例如，当检测仅包含角度测量时，该滤波器可以用作范围参数化的扩展卡尔曼滤波器。

创建

语法

gsf = trackinggsf.
—= trackingGSF (trackingFilters)
—= trackingGSF (trackingFilters modelProbabilities)
—= trackingGSF (＿＿＿、“MeasurementNoise”measNoise)

描述

—= trackingGSF返回带有两个等速度扩展卡尔曼滤波器的高斯和滤波器(trackingekf.）具有相同的初始重量。

例子

—= trackingGSF (TrackingFilters.）指定过滤器的高斯组件TrackingFilters.．假设滤波器的初始权值相等。

—= trackingGSF (TrackingFilters.，modelProbabilities）中高斯分量的初始权值modelProbabilities并套装ModelProbabilities财产。

—= trackingGSF (＿＿＿、“MeasurementNoise”measNoise)指定滤波器的测量噪声。的测量管理属性为每个高斯分量设置。

属性

全部展开

此属性是只读的。

滤波器状态的加权估计，指定为真实值米元向量。该状态的估计是基于滤波器的加权组合TrackingFilters．使用ModelProbabilities来改变权重。

例子：(200; 0.2)

数据类型:单|双倍的

此属性是只读的。

状态错误协方差，指定为一个正定的真实值米-经过-米矩阵，其中米是过滤状态的大小。协方差矩阵表示过滤状态的不确定性。基于过滤器的加权组合估算了这种状态协方差TrackingFilters．使用ModelProbabilities来改变权重。

例子：(20 0.1;0.1 - 1)

数据类型:单|双倍的

筛选器列表，指定为跟踪筛选器的单元格数组。在创建对象时指定这些筛选器。默认情况下，过滤器具有相等的概率。指定modelProbabilities如果过滤器具有不同的概率。

请注意

每个过滤器的状态必须具有相同的大小和相同的物理意义。

数据类型:细胞

每个过滤器的权重，指定为0到1的概率向量。默认情况下，滤波器的每个组件的权重等于。

数据类型:单|双倍的

测量噪声协方差，指定为一个正标量或正定实值矩阵。矩阵是一个边长等于测量数的正方形。将标量输入推广到平方对角矩阵。

指定测量管理在任何电话之前正确的功能。第一次打电话后正确的，您可以选择将测量噪声指定为标量。在这种情况下，测量噪声矩阵是R-经过-R单位矩阵,R是测量的数量。

例子：0.2

数据类型:单|双倍的

对象的功能

预测 跟踪滤波器的状态预测和状态估计误差协方差
正确的 使用跟踪滤波器校正状态和状态估计误差协方差
correctjpda 使用跟踪过滤器和JPDA的正确状态和状态估计错误协方差
距离 跟踪滤波器当前测量值和预测测量值之间的距离
可能性 从跟踪过滤器测量的可能性
克隆 创建重复的跟踪过滤器

例子

全部收缩

打开直播脚本

这个例子展示了如何创建和运行trackinggsf.过滤器。指定三个扩展卡尔曼滤波器(EKFs)作为高斯和滤波器的组成部分。调用预测和正确的用于跟踪对象并根据测量值修正状态估计的函数。

创建三个ekf，每个ekf都有一个状态分布[0, 0, 0, 0, 0, 0)在位置测量上运行。将它们指定为trackinggsf.过滤器。

过滤器=细胞(3,1);过滤器{1}= trackingEKF (@constvel @cvmeas,兰德(6,1),'MeasurementNoise'、眼睛(3));过滤器{2}= trackingEKF (@constvel @cvmeas,兰德(6,1),'MeasurementNoise'、眼睛(3));过滤器{3}= trackingEKF (@constvel @cvmeas,兰德(6,1),'MeasurementNoise'、眼睛(3));—= trackingGSF(过滤器);

调用预测得到滤波器的预测状态和协方差。使用0.1秒的时间步长。

[x_pred，p_pred] =预测（GSF，0.1）;

调用正确的用给定的测量方法。

量= (0.5;0.2;0.3);[xCorr, pCorr] =正确(确定量);

计算滤波器和不同测量之间的距离。

d =距离(确定,(0,0,0));

参考

阿尔斯帕奇、丹尼尔和哈罗德·索伦森。使用高斯和近似的非线性贝叶斯估计IEEE自动控制交易。第17卷，第4期，1972年，第439-448页。

[2] Ristic，B.，Arulampalam，S.和McCarthy，J.，2002。仅使用距离测量的目标运动分析:算法，性能和ISAR数据的应用。信号处理，31 (2)，pp. 531 - 531。

[3]桃子，n。“使用一组距离参数化扩展卡尔曼滤波器的仅方位跟踪。" ieee进展-控制理论与应用142,no。1(1995): 73 - 80。

扩展功能

C / C ++代码生成
使用MATLAB®Coder™生成C和C ++代码。

另请参阅

||||

介绍了R2018b

传感器融合和跟踪工具箱文档

金宝app

自治系统传感器融合和跟踪

自治系统传感器融合和跟踪

下载白皮书