预测

预测在下一时间步骤机器人的状态

折叠所有页面

句法

[statePred，stateCov] =预测（PF）

[statePred，stateCov] =预测（PF，varargin）

描述

[statePred，stateCov] =预测（PF）计算预测系统状态及其相关联的不确定度的协方差。预测使用StateTransitionFcn财产stateEstimatorPF目的，PF，演变所有粒子的状态。然后提取基于设定的最佳状态估计和协方差StateEstimationMethod属性。

[statePred，stateCov] =预测（PF，varargin）通过在指定的所有其他参数varargin底层StateTransitionFcn财产PF。的第一个输入StateTransitionFcn是一组从先前时间步的颗粒，然后在所有参数varargin。

例子

全部收缩

粒子滤波预测和修正

开立真实脚本

创建一个stateEstimatorPF对象，并且执行用于状态估计的预测和校正步骤。颗粒过滤器给出了基于的返回值的预测状态估计StateTransitionFcn。然后，它修正基于给定的测量和返回值的状态MeasurementLikelihoodFcn。

创建一个默认的三种状态的颗粒过滤器。

PF = stateEstimatorPF

PF = stateEstimatorPF与属性：NumStateVariables：3个NumParticles：1000 StateTransitionFcn：@ nav.algs.gaussianMotion MeasurementLikelihoodFcn：@ nav.algs.fullStateMeasurement IsStateVariableCircular：[1x1的resamplingPolicyPF] ResamplingMethod：： '多项式' StateEstimationMethod：“平均[0 0 0] ResamplingPolicy“StateOrientation：‘行’颗粒：[1000x3双]重量：[1000x1双]国家：‘使用getStateEstimate函数查看值’StateCovariance：“使用getStateEstimate函数查看值”

指定平均状态估计方法和系统的重采样方法。

pf.StateEstimationMethod ='意思';pf.ResamplingMethod =“系统”;

在状态[4 1 9]与单元协方差初始化微粒过滤器（眼（3））。使用5000米的颗粒。

初始化（PF，5000，[4 1 9]，眼部（3））;

假设测量[4.2 0.9 9]，运行一个预测和一个正确步骤。

[statePredicted，stateCov] =预测（PF）;[stateCorrected，stateCov] =正确（PF，[4.2 0.9 9]）;

获取基础上，最好的状态估计StateEstimationMethod算法。

stateEst = getStateEstimate（PF）

stateEst =1×34.1562 0.9185 9.0202

输入参数

全部收缩

`PF`-`stateEstimatorPF`目的
处理

stateEstimatorPF对象，指定为把手。看到stateEstimatorPF了解更多信息。

`varargin`-可变长度的输入参数列表
逗号分隔的列表

可变长度输入自变量列表，指定为逗号分隔的列表。该输入直接传递到StateTransitionFcn财产PF演变每个粒子的系统状态。您打电话的时候：

预测（PF，ARG1，ARG2）

MATLAB^®本质上调用stateTranstionFcn如：

stateTransitionFcn（PF，prevParticles，ARG1，ARG2）

输出参数

全部收缩

`statePred`- 预测系统状态
向量

预测的系统状态，返回与长度的矢量NumStateVariables。预测的状态下，计算基于所述StateEstimationMethod算法。

`stateCov`- 修正系统协方差
ñ-通过-ñ矩阵|`[]`

修正系统偏差，返回一个ñ-通过-ñ矩阵，其中ñ是的价值NumStateVariables物业PF。校正后的状态下，计算基于所述StateEstimationMethod算法和MeasurementLikelihoodFcn。如果指定了不支持的协方差，那么函数返回的状态估计方法万博1manbetxstateCov如[]。