Tytuł artykułu
Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
Szum a bezśladowy filtr Kalmana
Języki publikacji
Abstrakty
A simple simulation of a turning target in two dimensions is used to show that the standard treatment of process noise in the Unscented Kalman Filter (UKF) can give rise to a potentially fragile tracking filter. In the example used, the turn rate is tracked as part of the state vector and additional state components are introduced to accommodate the process noise terms. This approach works well only while the underlying turn rate is constant or linear with time. With more complex turn rate dynamics, the filter breaks regardless of the process noise settings and such behaviour is indicative of a filter with zero process noise. It is found that a sequential Monte Carlo implementation of process noise gives rise to a much more robust tracking filter.
Na podstawie wyników prostej symulacji obracającego się w dwóch wymiarach celu pokazano, że standardowe potraktowanie problemu istnienia szumu w bezśladowym filtrze Kalmana (UKF) może prowadzić do uzyskania filtra o dużym stopniu wrażliwości. W wykorzystanym przykładzie, śledzona jest prędkość obrotowa, która wchodzi w skład wektora stanu, a przez rozszerzenie wektora stanu uzyskuje się efekt uwzględnienia składowych pochodzących od szumu. Podejście takie sprawdza się dobrze jednak wyłącznie dla stałej prędkości obrotowej lub zmieniającej się liniowo względem czasu. Przy bardziej skomplikowanej dynamice obrotów, filtr UKF przestaje spełniać swoją rolę, niezależnie od parametrów szumu, a więc jak w przypadku filtru dla braku szumów oddziałujących na obiekt. Pokazano, ze implementacja filtru za pomocą sekwencyjnej metody Monte Carlo prowadzi do uzyskania filtru o większym stopniu odporności.
Czasopismo
Rocznik
Tom
Strony
7--17
Opis fizyczny
Bibliogr. 13 poz., rys.
Twórcy
autor
- L-3 Communications ASA Ltd, Rusint House, Harvest Crescent, Fleet, Hampshire, GU51 2QS, UK
Bibliografia
- [1] S. Blackman and R. Popoli. Design and Analysis of Modern Tracking Systems. Artech House, 1999.
- [2] A. Gelb, editor. Applied Optimal Estimation. MIT Press, Cambridge, MA, 1974.
- [3] T. Glad. Dynamic systems: Lecture 2 - observability. Reglerteknik, ISY, Linköpings Universitet, 2014.
- [4] S. Haykin, editor. Kalman Filtering and Neural Networks. Wiley, 2001.
- [5] J. Hedrick and A. Girard. Control of Nonlinear Dynamic Systems: Theory and Applications. 2005.
- [6] S. Julier. The scaled unscented transformation. In Proc. American Control Conference, Anchorage, Alaska, 2002.
- [7] S. Julier and J. Uhlmann. A General Method for Approximating Nonlinear Transformations of Probability Distributions. University of Oxford, 1994.
- [8] S. Julier and J. Uhlmann. A consistent, debiased method for converting between polar and cartesian coordinate systems. In Proc. SPIE Conf. Acquisition, Tracking and Pointing XI, volume 3086, 1997.
- [9] S. Julier and J. Uhlmann. A new extension of the kalman filter to nonlinear systems. In SPIE Proc. AeroSense, 11th International Symposium on Aerospace/Defense Sensing, Simulation and Controls, Orlando, Florida, 1997.
- [10] S. Julier and J. Uhlmann. Unscented filtering and nonlinear estimation. Proc. IEEE, 92(3):401-422, 2004.
- [11] S. Julier, J. Uhlmann, and H. Durrant-Whyte. A new method for the nonlinear transformation of means and covariances in filters and estimators. IEEE Trans. on Automatic Control, 45(3):477-482, 2000.
- [12] I. Rekleitis. A particle filter tutorial for mobile robot localization. Tech. rep. tr-cim-04-02, Center for Intelligent Machines, McGill Univ., 2004.
- [13] D. Salmond and N. Gordon. An introduction to particle filters. Technical report, 2005.
Uwagi
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-d29ae07a-58a1-4e9b-aed3-0304fe288f9b