stateEstimatorPF
Créer un estimateur d'état de filtre à particules
Description
L'objet stateEstimatorPF
est un estimateur d'état bayésien récursif qui utilise des particules discrètes pour approximer la distribution a posteriori de l'état estimé.
L'algorithme du filtre à particules calcule l'estimation d'état de manière récursive et implique deux étapes : la prédiction et la correction. L'étape de prédiction utilise l'état précédent pour prédire l'état actuel sur la base d'un modèle de système donné. L'étape de correction utilise la mesure actuelle du capteur pour corriger l'estimation d'état. L'algorithme redistribue ou rééchantillonne périodiquement les particules dans l'espace d'état pour correspondre à la distribution postérieure de l'état estimé.
L'état estimé est constitué de variables d'état. Chaque particule représente une hypothèse d'état discrète de ces variables d'état. L’ensemble de toutes les particules est utilisé pour aider à déterminer l’estimation de l’état final.
Vous pouvez appliquer le filtre de particules à des modèles de systèmes non linéaires arbitraires. Le bruit de processus et de mesure peut suivre des distributions arbitraires non gaussiennes.
Pour plus d'informations sur le flux de travail du filtre à particules et la définition de paramètres spécifiques, voir :
Création
Syntaxe
Description
crée un objet qui permet l'estimation de l'état d'un système simple avec trois variables d'état. Utilisez la méthode pf
= stateEstimatorPFinitialize
pour initialiser les particules avec une moyenne et une covariance connues ou des particules uniformément distribuées dans des limites définies. Pour personnaliser le système et les modèles de mesure du filtre à particules, modifiez les propriétés StateTransitionFcn
et MeasurementLikelihoodFcn
.
Après avoir créé l'objet, utilisez initialize
pour initialiser les propriétés NumStateVariables
et NumParticles
. La fonction initialize
définit ces deux propriétés en fonction de vos entrées.
Propriétés
Fonctions d'objet
initialize | Initialiser l'état du filtre à particules |
getStateEstimate | Extraire la meilleure estimation d'état et la covariance des particules |
predict | Predict state of robot in next time step |
correct | Adjust state estimate based on sensor measurement |
Exemples
Références
[1] Arulampalam, M.S., S. Maskell, N. Gordon, and T. Clapp. "A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking." IEEE Transactions on Signal Processing. Vol. 50, No. 2, Feb 2002, pp. 174-188.
[2] Chen, Z. "Bayesian Filtering: From Kalman Filters to Particle Filters, and Beyond." Statistics. Vol. 182, No. 1, 2003, pp. 1-69.
Capacités étendues
Historique des versions
Introduit dans R2016aVoir aussi
resamplingPolicyPF
| initialize
| getStateEstimate
| predict
| correct
Rubriques
- Track a Car-Like Robot Using Particle Filter (Robotics System Toolbox)
- Particle Filter Parameters
- Particle Filter Workflow