Use of innovations data for the estimation of sensor uncertainties

• Autorzy: Easthope Paul F.

Warianty tytułu

PL

Wykorzystanie informacji o innowacji do estymacji niepewnści sensorów

• Języki publikacji: EN

Abstrakty

EN

This paper shows how the processing of track innovations data produced by the discrete Kalman Filter may be used to infer the actual measurement covariance matrix, in situations where the latter is poorly known. In addition to the familiar innovations formed from the difference of the measurement from the extrapolated state vector, it is beneficial to compute a similar quantity from the updated track state and analyse the two quantities in combination.

PL

W artykule przedstawiono sposób, według którego na podstawie danych dotyczących innowacji w procesie śledzenia z dyskretnego filtru Kalmana mogą być użyte do określenia bieżącej macierzy kowariancji pomiarów. W dołączeniu do informacji o innowacji na podstawie różnic w pomiarach ekstrapolowanego wektora stanu, warto obliczać podobną wielkość na podstawie danych o śledzeniu i analizować je w połączeniu.

Słowa kluczowe

EN

tracking; sensor uncertainties

PL

śledzenie; niepewności sensoru

• Wydawca: Poznańskie Towarzystwo Przyjaciół Nauk
• Czasopismo: Studia z Automatyki i Informatyki
• Rocznik: 2019
• Tom: T. 44
• Strony: 7--16
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Easthope Paul F.

• L-3 Communications ASA Ltd, Rusint House, Harvest Crescent, Fleet, Hampshire, GU51 2QS, UK

Bibliografia

• [1] M. Skolnik. Introductionto Radar Systems. McGraw-Hill, 1980.
• [2] R.K. Mehra. On the Identification of Variance and Adaptive Kalman Filtering. IEEE Trans. Automatic Control, Vol. AC-15, No. 2, April 1970.
• [3] R.K. Mehra. On-Line Identification of Linear Dynamic Systems with Applications to Kalman Filtering. IEEE Trans. Automatic Control, Vol. AC-16, No. 1, February 1971.
• [4] A. Gelb (ed.) Applied Optimal Estimation. MIT Press, Cambridge, MA., 1974.
• [5] S. Dutta, R.D. Braun and C.D. Karlgaard. Uncertainty Quantification for Mars Entry, Descent and Landing Reconstruction Using Adaptive Filtering. 51st AIAA Aerospace Sciences Meeting, AIAA 2013-0026,January 2013.
• [6] J. Wang, H.K. Lee, Y.J. Lee, T. Musa and C. Rizos. Online Stochastic Modelling for Network-Based GPS Real-Time Kinematic Positioning. J. Global Positioning Systems, Vol. 4, No 1-2, 2005
• [7] S. Akhlaghi, N. Zhou and Z. Huang. Adaptive Adjustment of Noise Covariance in Kalman Filter for Dynamic State Estimation. Systems and Control, arXiv:1702.00884[cs.SY],2017.
• [8] V. Kučera. A Review of the Matrix Riccati Equation. Kybernetika, Vol. 9, No. 1, 1973.
• [9] S.S.Blackman. Multiple-Target Tracking with Radar Applications. Artech House,1986.
• [10] S.J. Julier and J.K. Uhlmann. A General Method for Approximating Nonlinear Transformations of Probability Distributions. University of Oxford,1994.
• [11] E. Kreyszig. Advanced EngineeringMathematics. Seventh Edition, Wiley, 1993.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).