Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Crear estimador de estado de filtro de partículas
El objeto es un estimador de estado bayesiano recursivo que utiliza partículas discretas para aproximar la distribución posterior del estado estimado.stateEstimatorPF
El algoritmo de filtro de partículas calcula la estimación de 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 del sensor actual para corregir la estimación de estado. El algoritmo redistribuye periódicamente o remuestrea las partículas en el espacio de estado 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 discreto de estas variables de estado. El conjunto de todas las partículas se utiliza para ayudar a determinar la estimación final del estado.
Puede aplicar el filtro de partículas a modelos de sistema no lineales arbitrarios. El ruido de proceso y 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:
crea un objeto que permite la estimación de estado para un sistema simple con tres variables de estado. Utilice el pf
= stateEstimatorPFinitialize
método para inicializar las partículas con una media conocida y covarianza o partículas distribuidas uniformemente dentro de los límites definidos. Para personalizar el sistema y los modelos de medición del filtro de partículas, modifique las propiedades y.StateTransitionFcn
MeasurementLikelihoodFcn
Después de crear el objeto, utilice initialize
para inicializar las propiedades y.NumStateVariables
NumParticles
La función establece estas dos propiedades en función de las entradas.initialize
initialize | Initialize the state of the particle filter |
getStateEstimate | Extract best state estimate and covariance from particles |
predict | Predict state of robot in next time step |
correct | Adjust state estimate based on sensor measurement |
[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.
correct
| getStateEstimate
| initialize
| predict
| resamplingPolicyPF