trackingMSCEKF

改进球坐标下目标跟踪的扩展卡尔曼滤波器

在页面中展开所有内容

描述

的trackingMSCEKF对象表示一个扩展卡尔曼滤波器(EKF)，用于在修正的球坐标(MSC)中使用来自单个观察者的角度测量跟踪对象。使用过滤器来预测MSC帧中某个对象的未来位置，或将多个对象检测与其轨迹关联起来。您可以指定状态转换函数所需的观察者机动或加速(@constantvelmsc和@constantvelmscjac)，使用ObserverInput财产。

属性的以下属性已固定trackingMSCEKF对象:

  • StateTransitionFcn-@constvelmsc

  • StateTransitionJacobianFcn-@constvelmscjac

  • MeasurementFcn-@cvmeasmsc

  • MeasurementJacobianFcn-@cvmeasmscjac

  • HasAdditiveProcessNoise-假

  • HasAdditiveMeasurementNoise-真正的

创建

语法

mscekf = trackingMSCEKF
mscekf = trackingMSCEKF(名称、值)

描述

mscekf= trackingMSCEKF返回一个扩展的卡尔曼滤波器，使用MSC状态转换和测量功能与对象跟踪器。默认的状态意味着在距离观测者1米处的零方位角和零仰角处有一个静止目标。

例子

mscekf= trackingMSCEKF(名称,值)指定使用一个或多个筛选器的属性名称,值对参数。任何未指定的属性都采用默认值。

属性

全部展开

过滤器状态，指定为实值米元向量。米要么是4用于二维跟踪或63 d跟踪。

例子:(阿兹;azRate; 1 / r; rDot / r)用于二维跟踪和(阿兹,ω;el; elRate; 1 / r; rDot / r)三维跟踪

数据类型:双

状态误差协方差，指定为米——- - - - - -米矩阵米是筛选器状态的大小。标量输入扩展到米——- - - - - -米矩阵。协方差矩阵表示滤波状态下的不确定性。米要么是4用于二维跟踪或63 d跟踪。

例子:眼(6)

此属性是只读的。

状态转换函数，指定为函数句柄。这个函数在时间步长计算状态向量k从时间步长时的状态向量k1。为trackingMSCEKF对象，则转换函数被固定到@constvelmsc。

数据类型:function_handle

此属性是只读的。

状态转换函数的雅可比矩阵，指定为函数句柄。此函数具有与状态转换函数相同的输入参数。为trackingMSCEKF对象，则转换函数雅可比矩阵固定为@constvelmsc。

数据类型:function_handle

过程噪声协方差，指定为a问——- - - - - -问矩阵。问要么是2或3.。过程噪声表示目标加速度的不确定性。

指定ProcessNoise在任何电话之前预测函数。在以后的电话中预测，可以选择将进程噪声指定为标量。在这种情况下，过程噪声矩阵是的倍数问——- - - - - -问单位矩阵。

例子:[1.0 - 0.05;0.05 - 2]

观察者的加速或机动，指定为一个三元素矢量。若要指定加速度，请使用M / 2向量,米要么是4用于二维跟踪或63 d跟踪。要指定机动，给出米元向量。

例子:[1,2,3]

此属性是只读的。

模型加性过程噪声，规定为假。为trackingMSCEKF对象，此属性被固定到假。

此属性是只读的。

测量模型函数，指定为函数句柄，@cvmeasmsc。函数的输入是米有效状态向量。输出是N有效测量向量。为trackingMSCEKF对象，测量模型函数固定为@cvmeasmsc。

数据类型:function_handle

此属性是只读的。

测量函数的雅可比矩阵，指定为函数句柄。该函数具有与度量函数相同的输入参数。为trackingMSCEKF对象中，测量函数的雅可比矩阵固定为@cvmeasmscjac。

数据类型:function_handle

测量噪声协方差，指定为正标量或正定实值矩阵。当指定为标量时，矩阵是的倍数N——- - - - - -N单位矩阵。N为测量向量的大小。

指定MeasurementNoise在任何电话之前正确的函数。

例子:0.2

此属性是只读的。

模型加性过程噪声，规定为真正的。为trackingMSCEKF对象，此属性被固定到真正的。

对象的功能

预测 预测状态和状态估计误差的跟踪滤波器协方差
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 使用跟踪滤波器和JPDA修正状态和状态估计误差协方差
距离 跟踪滤波器的电流和预测测量值之间的距离
可能性 从跟踪滤波器测量的可能性
克隆 创建重复的跟踪过滤器
剩余 测量跟踪滤波器的残差和残差噪声
初始化 初始化跟踪滤波器的状态和协方差

例子

全部折叠

打开生活的脚本

这个例子展示了如何制作一个扩展的卡尔曼滤波器(EKF)用于修改球坐标(MSC)中的目标跟踪。创建过滤器，预测状态，并使用测量观察纠正状态估计。

为三维运动模型创建过滤器。指定MSC帧的状态估计。

阿兹= 0.1;azRate = 0;r = 1000;rDot = 10;el = 0.3;elRate = 0;ω= azRate * cos (el);mscekf = trackingMSCEKF (“状态”,(az,ω;el; elRate; 1 / r; rDot / r));

使用一个恒定的观察者加速度来预测滤波状态。

mscekf。ObserverInput = [1, 2, 3];预测(mscekf);%默认时间1秒。预测(mscekf, 0.1);%使用dt = 0.1秒进行预测。

使用角度测量纠正滤波状态。

量= (5;18);%度正确的(mscekf、量);

参考文献

[1] Aidala, V.和Hammel, S.， 1983。利用改进的极坐标进行纯方位跟踪。《电气与电子工程师学会自动控制》，28(3)，页283-294。

另请参阅

||||

介绍了R2018b

传感器融合和跟踪工具箱文件
万博1manbetx

尝试MATLAB、Sim万博1manbetxulink和其他产品s manbetx 845

得到审判现在