用于对象跟踪的线性卡尔曼滤波器
一种trackingkf.
对象是用于跟踪位置和速度的离散时间线性卡尔曼滤波器目标平台。
卡尔曼滤波器是用于在对过程进行测量时估计过程的不断变化状态的递归算法。当状态的演进遵循线性运动模型时,滤波器是线性的,并且测量是状态的线性函数。过滤器假定过程和测量都具有添加性噪声。当过程噪声和测量噪声是高斯时,卡尔曼滤波器是用于线性过程的最佳最小均方误差(MMSE)状态估计器。
您可以在以下方式使用此对象:
明确设置运动模型。设置运动模型属性,MotionModel.
, 至风俗
,然后使用StateTransitionModel.
属性设置状态转换矩阵。
设定MotionModel.
预定义状态转换模型的属性:
运动模型 |
---|
'1d恒定速度' |
'1D常量加速' |
'2d恒定速度' |
'2D不断加速' |
'3D恒定速度' |
'3D不断加速' |
过滤器= trackingkf.
为离散时间,2-D,恒定速度移动对象创建线性卡尔曼滤波器对象。卡尔曼筛选器使用默认值StateTransitionModel.
那测量模型
, 和ControlModel.
特性。该功能还设置了MotionModel.
财产'2d恒定速度'
。
指定状态转换模型,筛选
= trackingkf(F
那H
)F
和测量模型,H
。使用此语法,该函数也设置了MotionModel.
财产'风俗'
。
还指定控制模型,筛选
= trackingkf(F
那H
那G
)G
。使用此语法,该函数也设置了MotionModel.
财产'风俗'
。
设置运动模型属性,筛选
= trackingkf('motionmodel'
那模型
)MotionModel.
, 至模型
。
使用一个或多个配置卡尔曼滤波器的属性筛选
= trackingkf(___那名称
那价值
)名称
那价值
对参数和以前的任何语法。任何未指定的属性都占用默认值。
卡尔曼滤波器通过估计其状态来描述对象的运动。国家通常由对象位置和速度组成,可能是其加速度。状态可以跨越一个,两个或三个空间尺寸。最常使用Kalman滤波器来模拟恒定速度或恒定加速运动。线性卡尔曼滤波器假定过程遵循以下线性随机差分方程:
XK.是迈出的状态K.。FK.是状态转换模型矩阵。GK.是控制模型矩阵。你K.表示作用在物体上的已知的广义对照。除了指定的运动方程之外,运动可能受到随机噪声扰动的影响,V.K.。状态,状态转换矩阵和控制一起提供足够的信息来确定对象在没有噪声的情况下的未来运动。
在卡尔曼滤波器中,测量结果也是状态的线性函数,
在哪里HK.是测量模型矩阵。该模型表示测量结果作为状态的函数。测量可以包括物体位置,位置和速度,或其位置,速度和加速度,或这些数量的一些功能。测量还可以包括噪声扰动,W.K.。
这些方程在没有噪声的情况下,模拟物体的实际运动和实际测量。每个步骤的噪声贡献都未知,无法建模。只知道噪声协方差矩阵。州协方差矩阵仅通过了解噪声协方差。
有关线性卡尔曼滤波算法的简要说明,请参阅线性卡尔曼滤波器。
[1]棕色,r.g.和p.y.c.王。随机信号分析和应用Kalman滤波简介。第3版。纽约:John Wiley&Sons,1997。
[2]卡尔曼,R.E。“一种新的线性滤波和预测问题的方法。ASME的交易 - 基础工程学报,卷。82,系列D,1960年3月,第35-45页。
[3]布莱克曼,塞缪尔。具有雷达应用的多目标跟踪。Artech House。1986年。
Trackergnn.
|trackertomht.
|Trackingabf.
|trackingckf.
|trackingekf.
|trackinggsf.
|Trackingimm.
|trackingmscekf.
|Trackingpf.
|trackingukf.