trackingEKF
描述
一个trackingEKF
对象是一个离散时间扩展卡尔曼滤波器用于追踪动态状态,如位置和速度的目标和对象。
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。扩展的卡尔曼滤波模型的进化状态时,可以遵循一个非线性运动模型,当测量非线性函数的状态,或者当两种情况下适用。扩展卡尔曼滤波器是基于非线性的线性化方程。这种方法会导致一个过滤器形成类似于线性卡尔曼滤波器,trackingKF
。
过程和测量高斯噪声,在这些方面,可以包括:
添加噪声过程和测量。在这种情况下,过程噪声和测量噪声的大小必须匹配状态向量的大小和测量向量,分别。
在状态转换函数,添加噪声测量模型函数,或在这两个函数。在这些情况下,相应的噪声大小不受限制。
看到扩展卡尔曼滤波器为更多的细节。
创建
描述
过滤器= trackingEKF
创建一个扩展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。
指定了状态转换函数,过滤器
= trackingEKF (transitionfcn
,measurementfcn
,状态
)transitionfcn
,测量功能,measurementfcn
系统的初始状态,状态
。
配置的属性对象通过使用一个或多个扩展卡尔曼滤波器过滤器
= trackingEKF (___,名称,值
)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
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 |
初始化 |
初始化状态和协方差的跟踪滤波器 |
tunableProperties (传感器融合和跟踪工具箱) |
获得可调谐滤波器的性质 |
setTunedProperties (传感器融合和跟踪工具箱) |
设置属性调整值 |
例子
更多关于
算法
扩展卡尔曼滤波器的状态估计过程由非线性随机方程:
xk状态的步骤吗k。f ()是状态转移函数。随机噪声干扰,wk,会影响物体运动。过滤器还支持一个简化的形式,金宝app
使用简化的形式,集HasAdditiveProcessNoise
来真正的
。
扩展卡尔曼滤波的测量也一般函数的状态:
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位置和速度的函数。测量还可以包括噪音,为代表vk。过滤器提供了一个简单的配方。
使用简化的形式,集HasAdditiveMeasurementNoise
来真正的
。
这些方程表示的实际运动和实际测量对象。然而,在每一步的噪声贡献是未知的,无法确定性建模。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]Blackman,撒母耳和r . Popoli。现代跟踪系统的设计与分析。Artech House.1999。
[4]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
版本历史
介绍了R2021a