创建粒子滤波状态估计
的stateEstimatorPF
对象是递归的,贝叶斯状态估计器,它使用离散颗粒近似的估计状态的后验分布。
粒子滤波器算法递归地计算状态估计和包括两个步骤:预测和纠正。所述预测步骤使用以前的状态,以预测基于给定的系统模型的当前状态。所述校正步骤使用所述电流传感器测量来校正状态估计。该算法周期性地重新分配,或重新采样,在状态空间中的粒子,以匹配所估计的状态的后验分布。
估计状态由状态变量组成。每个粒子代表这些状态变量的一个离散状态假设。所有粒子的集合用来帮助确定最终的状态估计。
您可以将颗粒过滤器适用于任意的非线性系统模型。过程和测量噪声可以按照任意的非高斯分布。
有关颗粒过滤器的工作流程和设置特定参数的更多信息,请参见:
初始化 |
初始化颗粒过滤器的状态 |
getStateEstimate |
提取颗粒最好的状态估计和协方差 |
预测 |
预测在下一时间步骤机器人的状态 |
正确的 |
根据传感器测量调整状态估计 |
[1] Arulampalam,M.S.,S. Maskell,N.戈登,和T.克拉普。“粒子教程过滤器的非线性/非高斯跟踪在线贝叶斯”。IEEE TRANSACTIONS ON信号处理。卷。50,第2号,2002年2月,第174-188。
[2]陈,Z.“贝叶斯过滤:从卡尔曼滤波器来筛选颗粒,及以后”统计数据。卷。182,第1号,2003,第1-69。