主要内容

trackingUKF

无味卡尔曼滤波跟踪对象

扩展所有的页面

描述

的trackingUKF对象是一个离散时间无味卡尔曼滤波器用来跟踪的位置和速度目标和对象。

无味卡尔曼滤波是一种递归算法估算的进化状态过程测量时的过程。无味卡尔曼滤波模型的进化可以遵循一个非线性运动模型。也可以测量非线性函数的状态,和过程和测量噪声。

使用一个无味卡尔曼滤波时应用这两个条件之一:

  • 当前状态是一个非线性函数之前的状态。

  • 国家的测量是非线性函数。

无味卡尔曼滤波估计的不确定性,及其传播通过非线性状态和测量方程,通过使用一个固定数量的σ点。σ点选择使用无味转换、参数化的α,β,卡巴属性。

创建

语法

过滤器= trackingUKF
过滤器= trackingUKF (transitionfcn、measurementfcn状态)
过滤器= trackingUKF (___、名称、值)

描述

过滤器= trackingUKF将创建一个无味卡尔曼滤波对象离散时间系统通过使用默认值StateTransitionFcn,MeasurementFcn,状态属性。这个过程和测量噪声是假定为添加剂。

过滤器= trackingUKF (transitionfcn,measurementfcn,状态)指定了状态转换函数,transitionfcn,测量功能,measurementfcn系统的初始状态,状态。

例子

过滤器= trackingUKF (___,名称,值)配置的属性对象使用一个或多个无味卡尔曼滤波器名称,值对参数和任何以前的语法。任何未指定的属性有默认值。

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,米过滤器的大小状态。

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= trackingUKF(“状态”,单([1;2;3;4)))

例子:(200;0.2)

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:(20 0.1;0.1 - 1)

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trackingUKF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,指定为一个标量或矩阵。

  • 当HasAdditiveProcessNoise是真正的,指定过程噪声协方差作为一个积极的真正的标量或正定实值米——- - - - - -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。

    您必须指定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;0.05 - 2]

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)
    x (k)国家在时间吗k和z (k)预测的测量在时间吗k。的参数参数代表所有所需的附加参数测量功能。

  • 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)
    x (k)国家在时间吗k和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,指定为一个积极的标量或正定实值矩阵。

  • 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。

    您必须指定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。

σ点扩散状态,指定为一个积极的标量大于0小于或等于1。

σ分配点,指定为负的标量。这个参数包含的知识用于生成σ点噪声的分布状态。为高斯分布,设置β是最优的。

二次比例因子生成σ的点,指定为一个标量,从0到3。这个参数可以指定代西格玛点。

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
克隆 创建重复跟踪滤波器
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
初始化 初始化状态和协方差的跟踪滤波器

例子

全部折叠

打开生活的脚本

创建一个trackingUKF对象使用预定义的常速运动模型,constvel,和相关的测量模型,cvmeas。这些模型假设状态向量的形式(x, vx; y; v)和笛卡尔坐标中的位置测量,[x, y, z]。依照σ点扩散属性设置为1。

过滤器= trackingUKF (@constvel @cvmeas, (0, 0, 0, 0),“α”1依照);

过滤器运行。使用预测和正确的函数来传播。你可以叫预测和正确的在任何你想要的秩序和许多倍。

量= (1;1,0);[xpred, ppr] =预测(过滤器);[xcorr, Pcorr] =正确(过滤器、量);[xpred, ppr] =预测(过滤器);[xpred, ppr] =预测(过滤器)
xpred =4×11.2500 0.2500 1.2500 0.2500
ppr =4×411.7500 4.7500 -0.0000 0.0000 4.7500 3.7500 0.0000 -0.0000 -0.0000 0.0000 11.7500 4.7500 0.0000 -0.0000 4.7500 3.7500

更多关于

全部展开

算法

无味卡尔曼滤波估计的状态过程由一个非线性随机方程

x k + 1 = f ( x k , u k , w k , t )

在哪里xk状态的步骤吗k。f ()是状态转换函数,uk是控制过程。运动可能会受到随机噪声扰动的影响,wk。过滤器还支持一个简化的形式,金宝app

x k + 1 = f ( x k , u k , t ) + w k

使用简化的形式,集HasAdditiveProcessNoise来真正的。

无味卡尔曼滤波的测量也一般函数的状态,

z k = h ( x k , v k , t )

在哪里h (x)k,vk,t)是测量函数,决定了测量的功能状态。典型的测量位置和速度或某个函数。可以包括测量噪声,为代表vk。类提供了一个简单的配方

z k = h ( x k , t ) + v k

使用简化的形式,集HasAdditiveMeasurmentNoise来真正的。

这些方程表示的实际运动对象和实际测量。然而,噪声贡献每一步是未知的,无法准确建模。只知道噪声的统计特性。

引用

[1]布朗R.G. P.Y.C.王。介绍了随机信号分析和应用卡尔曼滤波。第3版。纽约:约翰·威利& Sons, 1997。

[2]卡尔曼,r . e .“线性滤波和预测问题的新方法。”交易ASME-Journal的基础工程。D系列卷。82年,1960年3月,35 - 45页。

[3],凡德尔莫维埃里克·a .和r。“非线性的无味卡尔曼滤波器估计”。自适应信号处理系统、通信和控制。AS-SPCC、IEEE 2000,与158。

[4]Wan,山鸟。“无味卡尔曼滤波器。“在卡尔曼滤波和神经网络。编辑西蒙微积分。约翰•威利& Sons Inc ., 2001年。

[5]Sarkka美国“递归贝叶斯推理的随机微分方程。“博士论文。芬兰赫尔辛基理工大学,2006。

[6]Blackman,撒母耳。多个目标与雷达跟踪应用程序。Artech房子,1986。

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

自治系统的传感器融合和跟踪

下载白皮书