扩展卡尔曼滤波的目标跟踪
一个trackingEKF
对象是用于跟踪位置和速度离散时间扩展卡尔曼滤波目标平台。
卡尔曼滤波器是用于当测量是对工艺制成估计过程不断变化的状态的递归算法。扩展卡尔曼滤波器可在状态如下非线性运动模型时的状态的演化模型中,当测量的状态的非线性函数,或当两个条件适用。扩展卡尔曼滤波器是基于非线性方程的线性化。该方法导致一个滤波器制剂类似于线性卡尔曼滤波器,trackingKF
。
过程和测量可以有高斯噪声,您可以在这些方面:
噪声添加到过程和测量两者。在这种情况下,处理噪声和测量噪声的大小必须的状态矢量和测量矢量的大小,分别匹配。
在状态转移函数噪声添加,测量模型函数,或在这两种功能。在这些情况下,相应的噪声的大小不受限制。
滤波器= trackingEKF
通过使用默认值创建用于离散时间系统中的扩展卡尔曼滤波器对象StateTransitionFcn
,MeasurementFcn
和州
属性。过程和测量噪声被假定为添加剂。
指定状态转移函数,过滤
= trackingEKF (transitionfcn
,measurementfcn
,州
)transitionfcn
中,测量功能,measurementfcn
和系统的初始状态,州
。
通过使用一个或多个配置扩展卡尔曼滤波器对象的属性过滤
= trackingEKF (___,名称,值
)名称,值
自变量对任何以前的语法。任何未指定的属性具有默认值。
扩展卡尔曼滤波器估计通过该非线性随机方程支配的过程的状态:
Xķ在步骤的状态ķ。f ()是状态转移函数。随机噪声的干扰,w ^ķ,可影响对象运动。该过滤器还支持一个简化形式,万博1manbetx
使用简化的形式,组HasAdditiveProcessNoise
至真正
。
在扩展的卡尔曼滤波器,所述测量也状态的一般功能:
H(Xķ,vķ,t)的是确定测量值作为状态的函数的测量功能。典型测量的位置和速度或位置和速度一些功能。该测量也可以包括噪声,由下式表示vķ。同样,过滤器提供了一个简单的公式。
使用简化的形式,组HasAdditiveMeasurmentNoise
至真正
。
这些方程表示实际运动和对象的实际测量值。然而,在每一步的噪声贡献是未知的,不能确定性建模。只有噪声的统计特性是已知的。
[1]棕色,R.G.和P.Y.C.王某。简介随机信号分析与应用卡尔曼滤波。第3版。纽约:John Wiley和Sons,1997年。
线性过滤与预测问题的新方法。在ASME-中医基础工程学报。卷。82,系列d,1960年3月,第35-45。
[3]布莱克曼塞缪尔和R.波波利。设计和现代跟踪系统的分析。艺达House.1999。
[4]布莱克曼,塞缪尔。多目标跟踪雷达应用。艺达大厦。1986年。
cameas
|cameasjac
|constacc
|constaccjac
|constturn
|constturnjac
|constvel
|constveljac
|ctmeas
|ctmeasjac
|cvmeas
|cvmeasjac
|initcaekf
|initctekf
|initcvekf
trackerGNN
|trackerTOMHT
|trackingABF
|trackingCKF
|trackingGSF
|trackingIMM
|trackingKF
|trackingMSCEKF
|trackingPF
|trackingUKF