非线性状态估计是一个挑战问题。众所周知的卡尔曼滤波器仅适用于线性系统。扩展卡尔曼滤波器(EKF)已成为非线性状态估计的标准配方。然而,由于通过非线性系统的不确定性传播,它可能对高度非线性系统产生显着误差。
Unscented Kalman滤波器(UKF)是该领域的新颖发展。根据其协方差,该想法是在当前状态估计周围产生几个采样点(Sigma点)。然后,通过非线性图传播这些点以获得更准确地估计映射结果的平均值和协方差。通过这种方式,它避免了计算雅可比的需要,因此仅引发类似的计算负载作为EKF。
对于教程目的,此代码实现了UKF配方的简化版本,其中我们假设过程和测量噪声都是添加剂,以避免增加状态,并简化非线性图上的假设。
使用该函数的示例大量评论了代码。因此,对于初学者来学习UKF是批判性的。例如,可以找到EKF代码//www.tianjin-qmedu.com/matlabcentral/fileexchange/loadfile.do?objectid =18189&
引用
易Cao(2021)。学习Uncented Kalman过滤器(//www.tianjin-qmedu.com/matlabcentral/fileexchange/18217-Learning-the-unscented-kalman-filter),Matlab中央文件交换。检索到。
Matlab释放兼容性
用R2007a创建
兼容任何版本