预测
语法
描述
语法为预定义的运动模型
如果你使用这些语法指定一个预定义的运动模型MotionModel财产的trackingKF对象。
语法没有控制输入自定义运动模型
如果你指定使用这些语法MotionModel财产“自定义”和不使用控制输入。
语法与控制输入自定义的运动模型
如果你指定使用这些语法MotionModel财产“自定义”和使用控制输入。
例子
创建常速线性卡尔曼滤波器
创建一个线性卡尔曼滤波器,使用一个2 d匀速运动模型。假设测量包括xy -对象的位置。
指定初始状态估计零速度。
x = 5.3;y = 3.6;initialState = [x; 0; y; 0];KF = trackingKF (“MotionModel”,“二维恒定速度”,“状态”,initialState);
创建对象的测量位置常速轨迹。
vx = 0.2;v = 0.1;T = 0.5;pos = [0: vx * T: 2;5:v * T: 6];
正确预测和对象的状态。
为k = 1:尺寸(pos, 1) pstates (k,:) =预测(KF, T);cstates (k) =正确(KF, pos (k,:));结束
画出痕迹。
情节(pos (: 1), pos (:, 2),“k”。pstates (: 1), pstates (:, 3),“+”,…cstates (: 1), cstates (:, 3),“o”)包含(“x [m]”)ylabel (“y [m]”)网格xt = [x - 2, pos (1,1) + 0.1, pos(结束,1)+ 0.1);欧美= [y, pos (1、2), pos (, 2)];文本(xt,欧美,“第一测量”,“第一位置”,“最后的位置”])传说(“对象位置”,“预测位置”,“纠正位置”)
![图包含一个坐标轴对象。坐标轴对象包含x [m], ylabel y [m]包含6行类型的对象,文本。一个或多个行显示的值只使用这些对象标记代表对象的位置,预测位置,纠正位置。](http://www.tatmou.com/de/help/examples/shared_tracking_fusion/win64/ConstantVelocityLinearKalmanFilterExample_01.png)
使用自定义trackingKF与控制输入
指定一个仿真时间10秒的时间步1秒。
rng (2021)%的可重复的结果simulationTime = 20;dt = 1;tspan = 0: dt: simulationTime;步骤=长度(tspan);
指定运动模型的二维恒定速度模型的状态(x;vx;y;v]。测量(x;y]。
A1D = [1 dt;0 1];一个= kron(眼(2),A1D)%状态transiton模型
一个=4×41 1 0 0 0 1 0 0 0 0 1 1 0 0 0 1)
H1D = [1 0];H = kron(眼(2),H1D)%的度量模型
H =2×41 1 0 0 0 0 0 0
σ= 0.2;R =σ^ 2 *眼(2);%测量噪声协方差
指定一个控制模型矩阵。
B1D = [0;1);B = kron(眼(2),B1D)%控制模型矩阵
B =4×20 0 1 0 0 0 0 1)
假设控制输入正弦速度分量,vx和v。
获得= 5;用户体验=获得* sin (tspan(2:结束);Uy =获得* cos (tspan(2:结束);U =[用户体验;Uy];%控制输入
假设真正的初始状态是(1 1 1 1),模拟系统获得真实状态和测量。
initialState = [1 1 1 1] ';% (m m / s m m / s)trueStates =南(步骤4);trueStates (: 1) = initialState;为我= 2:步骤trueStates(:,我)= A * trueStates(张:,)+ B * U(张:,);结束测量= H * trueStates +胆固醇(R) * randn(步骤);
可视化的真实轨迹和测量。
图绘制(trueStates (1:), trueStates (3:)“DisplayName”,“真相”)举行在情节(测量(1:),测量(2:)“x”,“DisplayName”,“测量”)包含(“x”(m))ylabel (“y (m)”传说)
创建一个trackingKF过滤器与一个定制的运动模型。使指定控制模型的控制输入。在过滤器中指定初始状态的基础上,首先测量。
initialFilterState =[测量(1,1);0;测量(2,1);0);过滤器= trackingKF (“MotionModel”,“自定义”,…“StateTransitionModel”一个,…“MeasurementModel”H,…“ControlModel”B…“状态”,initialFilterState);
用估计状态预测和正确的对象的功能。
estimateStates =南(步骤4);estimateStates (: 1) = initialFilterState;为我= 2:步骤预测(过滤器,U(张:,));estimateStates (:, i) =正确(过滤器,测量(:,我));结束
可视化状态估计。
情节(estimateStates (1:), estimateStates (3:)“g”,“DisplayName”,“估计”);
输入参数
输出参数
扩展功能
版本历史
介绍了R2021a
