Filtr cząsteczkowy w problemie śledzenia : wprowadzenie

• Autorzy: Kozierski P. , Lis M.

Warianty tytułu

EN

Particle filter for tracking problem : introduction

• Języki publikacji: PL

Abstrakty

PL

Filtry cząsteczkowe bardzo dobrze sprawdzają się w roli obserwatorów zmiennych ukrytych dla nieliniowych i niegaussowskich modeli obiektów, jednak mogą być wykorzystane także do rozwiązania wielu innych problemów estymacji. Artykuł ma na celu wprowadzenie czytelnika do metod wykorzystujących filtry cząsteczkowe – wyjaśniono zasadę ich działania oraz przedstawiono kilka podstawowych algorytmów.

EN

Particle filters are very good observers of hidden variables for nonlinear and non-Gaussian systems, but can be also used to many other estimation problems. The paper introduces the reader to methods that use particle filters- explains the principle of their operation and a few basic algorithms are presented.

Słowa kluczowe

PL

filtr cząsteczkowy; filtr Bayesa; algorytm SIS

• Wydawca: Poznańskie Towarzystwo Przyjaciół Nauk
• Czasopismo: Studia z Automatyki i Informatyki
• Rocznik: 2012
• Tom: T. 37
• Strony: 79--94
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Kozierski P.

• Politechnika Poznańska, Instytut Automatyki i Inżynierii Informatycznej, Zakład Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

autor

Lis M.

• Politechnika Poznańska, Instytut Elektrotechniki i Elektroniki Przemysłowej, Zakład Energoelektroniki i Sterowania, ul. Piotrowo 3a, 60-965 Poznań

Bibliografia

• [1] Arulampalam S., Maskell S., Gordon N., Clapp T., A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking, IEEE Transactions on Signal Processing, 2002, Vol. 50(2), s. 174-188.
• [2] Brzozowska-Rup K., Dawidowicz A.L., Metoda filtru cząsteczkowego, Matematyka Stosowana: matematyka dla społeczeństwa 2009, t. 10/51, s. 69-107.
• [3] Candy J.V., Bayesian signal processing, New Jersey, Wiley 2009, s. 19-44, 237-298.
• [4] Doucet A., Freitas N., Murphy K., Russell S., Rao-Blackwellised particle filtering for dynamic Bayesian networks, Proceedings of the 16th conference on Uncertainty in artificial intelligence, s. 176-183.
• [5] Doucet A., Johansen A.M., A Tutorial on Particle Filtering and Smoothing: Fifteen years later, Handbook of Nonlinear Filtering 2009/12, s. 656-704.
• [6] Gordon N.J., Salmond N.J., Smith A.F.M., Novel Approach to nonlinear/non-Gaussian Bayesian state estimation, IEE Proceedings F - Radar and Signal Processing, 1993, Vol. 140(2), s. 107-113.
• [7] Kotecha J.H., Djurić P.M., Guassian Particle Filtering, IEEE Trans Signal Processing, 2003, Vol. 51(10), s. 2592-2601.
• [8] Merwe R., Doucet A., Freitas N., Wan E., The Unscented Particle Filter, Technical Report CUED/F-INFENG/TR 380, Cambridge University Engineering Department, 2000.
• [9] Mountney J., Obeid I., Silage D., Modular Particle Filtering FPGA Hardware Architecture for Brain Machine Interfaces, Conf. Proc. IEEE Eng. Med. Biol. Soc., 2011, s. 4617-4620.
• [10] Pitt M., Shephard N., Filtering via simulation: auxiliary particle filters, Journal of the American Statistical association, Vol. 94(446), s. 590-599.
• [11] Simon D., Optimal State Estimation, New Jersey, Wiley, 2006, s. 461-484.
• [12] Sutharsan S., Kirubarajan T., Lamg T., McDonald M., An Optimization-Based Parallel Particle Filter for Multitarget Tracking, IEEE Transactions on Aerospace and Electronic Systems, 2012, Vol. 48(20), s. 1601-1618.
• [13] Thrun S., Burgard W., Fox D., Probabilistic robotics, MIT Press, Cambridge, MA, 2005, s. 67-90.