主要内容

initcvkf.

从检测报告创建恒定速度线性卡尔曼滤波器

页面上倒塌

句法

filter = initcvkf（检测）

描述

例子

筛选= initcvkf（检测）创建并初始化恒定速度线性卡尔曼筛选从包含的信息检测报告。有关Linear Kalman滤波器的更多信息，请参阅trackingkf.。

该函数用与相同的惯例初始化恒定速度状态Constvel.和cvmeas.，[X;V.X;y;V.y;Z.;V.Z.]。

例子

全部收缩

打开直播脚本

从初始检测报告创建和初始化2-D线性Kalman过滤器对象。

从初始2-D测量（10,20），对象位置创建检测报告。

检测= ObjectDetection（0，[10; 20]，'MeasurementNoise'，[1 0.2;0.2 2]，......'sensorindex'，1，'objectclassid'，1，'ObjectAttributes'，{'黄色车'，5}）;

从检测报告创建新曲目。

filter = initcvkf（检测）
Filter = TrackingKF具有属性：状态：[4x1 Double] StateCovariance：[4x4 Double] MotionModel：'2D恒流'控制模型：[] ProcessNoise：[4x4 Double] MeasurementModel：[2x4 Double] MeasurementNoise：[2x2双]启用：0

显示国家。

filter.state.
ans =.4×110 0 20 0

显示状态转换模型。

filter.stateTransitionModel.
ans =.4×4.1 1 0 0 0 1 0 0 0 0 1 1 0 0 0 1
打开直播脚本

从初始检测报告创建和初始化3-D线性Kalman过滤器对象。

从初始3-D测量创建检测报告（10,20，-5），对象位置。

检测= ObjectDetection（0，[10; 20; -5]，'MeasurementNoise'，眼睛（3），......'sensorindex'，1，'objectclassid'，1，'ObjectAttributes'，{'绿色车'，5}）;

从检测报告创建新筛选器并显示其属性。

filter = initcvkf（检测）
Filter = PackingingKF具有属性：状态：[6x1双] StateCovariance：[6x6 Double] MotionModel：'3D恒定速度'控制模型：[] ProcessNoise：[6x6 Double] MeasurementModel：[3x6 Double] MeasurementNoise：[3x3双]启用：0

显示国家。

filter.state.
ans =.6×110 0 20 0 -5 0

显示状态转换模型。

filter.stateTransitionModel.
ans =.6×6.1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1

输入参数

全部收缩

检测报告，指定为一个ObjectDetection.目的。

例子：检测= ObjectDetection（0，[1; 4.5; 3]，'MeasurementNoise'，[1.0 0 0; 0 2.0 0; 0 0 1.5]）

输出参数

全部收缩

线性卡尔曼滤波器，作为一个返回trackingkf.目的。

算法

  • 该功能假设一秒秒的时间步长和1米/秒的加速标准偏差计算过程噪声矩阵2。

  • 您可以使用此功能FilterInitializationFCN.A的财产MultiObjectTracker.目的。

扩展能力

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

也可以看看

功能

对象

在R2017A介绍

自动化驾驶工具箱文档

万博1manbetx

使用Simulink实现Adaptive Cruise控制器万博1manbetx

使用Simulink实现Adaptive Cruise控制器万博1manbetx

下载技术纸张