stateEstimatorPF
Crear estimador de estado de filtro de partículas
Descripción
El objeto stateEstimatorPF
es un estimador de estado bayesiano recursivo que utiliza partículas discretas para aproximar la distribución posterior del estado estimado.
El algoritmo del filtro de partículas calcula la estimación del estado de forma recursiva e implica dos pasos: predicción y corrección. El paso de predicción utiliza el estado anterior para predecir el estado actual en función de un modelo de sistema determinado. El paso de corrección utiliza la medición actual del sensor para corregir la estimación del estado. El algoritmo redistribuye periódicamente, o vuelve a muestrear, las partículas en el espacio de estados para que coincidan con la distribución posterior del estado estimado.
El estado estimado consta de variables de estado. Cada partícula representa una hipótesis de estado discreta de estas variables de estado. El conjunto de todas las partículas se utiliza para ayudar a determinar la estimación del estado final.
Puede aplicar el filtro de partículas a modelos de sistemas no lineales arbitrarios. El ruido de proceso y de medición puede seguir distribuciones arbitrarias no gaussianas.
Para obtener más información sobre el flujo de trabajo del filtro de partículas y la configuración de parámetros específicos, consulte:
Creación
Sintaxis
Descripción
crea un objeto que permite la estimación del estado de un sistema simple con tres variables de estado. Utilice el método pf
= stateEstimatorPFinitialize
para inicializar las partículas con una media y covarianza conocidas o partículas distribuidas uniformemente dentro de límites definidos. Para personalizar el sistema del filtro de partículas y los modelos de medición, modifique las propiedades StateTransitionFcn
y MeasurementLikelihoodFcn
.
Después de crear el objeto, use initialize
para inicializar las propiedades NumStateVariables
y NumParticles
. La función initialize
establece estas dos propiedades en función de sus entradas.
Propiedades
Funciones del objeto
initialize | Inicializar el estado del filtro de partículas. |
getStateEstimate | Extraiga la mejor estimación del estado y la covarianza de las partículas |
predict | Predecir el estado del robot en el próximo paso |
correct | Ajustar la estimación del estado según la medición del sensor |
Ejemplos
Referencias
[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.