创建粒子滤波器状态估计器
的stateEstimatorPF
对象是一个递归的贝叶斯状态估计器,它使用离散粒子来近似估计状态的后验分布。
粒子滤波算法递归计算状态估计,包括两个步骤:预测和修正。预测步骤根据给定的系统模型,使用前一个状态来预测当前状态。修正步骤使用电流传感器测量来修正状态估计。该算法周期性地重新分布或重新采样状态空间中的粒子,以匹配估计状态的后验分布。
估计的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。所有粒子的集合被用来帮助确定最终的状态估计。
你可以将粒子滤波器应用于任意非线性系统模型。过程噪声和测量噪声可以遵循任意的非高斯分布。
有关粒子过滤器工作流程和设置具体参数的更多信息,请参见:
初始化 |
初始化粒子过滤器的状态 |
getStateEstimate |
从粒子中提取最佳状态估计和协方差 |
预测 |
预测机器人在下一时刻的状态 |
正确的 |
调整基于传感器测量的状态估计 |
Arulampalam, m.s., S. Maskell, N. Gordon和T. Clapp。粒子过滤器在线非线性/非高斯贝叶斯跟踪教程IEEE信号处理汇刊。第50卷第2期2002年2月174-188页。
[2], Z。贝叶斯滤波:从卡尔曼滤波到粒子滤波,以及其他统计数据.第182卷,第1期,2003年,1-69页。