卡曼滤波器入门教程α−β−γ滤波器 4

模拟技术

2342人已加入

描述

示例4:使用用α−β−γ滤波器追踪加速飞行器

在这个例子中,我们使用α−β−γ过滤器跟踪一架恒定加速度的飞行器。

α−β−γ滤波器

α−β−γ滤波器(有时称为g-h-k滤波器)考虑目标加速度。因此,状态外推方程变为:

滤波器

状态更新方程变为:

滤波器

数值示例:

让我们以上一个例子中的场景为例:一架飞机以50m/s的恒定速度移动15秒,然后以8m/s2的恒定加速度加速35秒。

α-β-γ滤波器参数为:

α=0.5

β=0.4

γ=0.1

追踪周期为5秒

迭代0:

初始化:

给出了时间n=0的初始条件:

滤波器

预测:

应使用状态推导方程外推得到第一个周期(n=1)状态:

滤波器

迭代1:

在第一个周期(n=1)中,初始猜测是先前的估计:

滤波器

步骤1:

雷达测量飞机航程:

z1=30160m

步骤2:

使用状态更新方程计算当前估计:

滤波器

步骤3:

使用状态推导方程计算下一状态估计:

滤波器

迭代2:

经过一个完整周期后,来自前一个迭代的预测估计变为当前迭代中的先前估计。

滤波器

步骤1:

雷达测量飞机航程:

z2=30365m

步骤2:

使用状态更新方程计算当前估计:

滤波器

步骤3:

使用状态推导方程计算下一状态估计:

滤波器

迭代3-10:

下表总结了连续迭代的计算:

滤波器

滤波器

以下图表比较了前50秒的距离、速度和加速度的真实值、测量值和估计值:

滤波器

如你所见,包含加速度的动态模型方程的α−β−γ滤波器可以在恒定加速度下跟踪目标并消除滞后误差。

但是在机动目标的情况下会发生什么?目标可以通过机动突然改变飞行方向,目标的动态模型还可以包括急动(改变加速度),在这种情况下,带有恒定滤波器系数得α−β−γ滤波器会产生估计误差,在某些情况下会丢失目标轨迹。

卡尔曼滤波器可以处理动态模型中的不确定性,这是我们的下一个主题,就在总结之后。

总结:

存在有多种类型α−β−γ滤波器,它们基于相同的原理:

l当前状态估计基于状态更新方程。

l下一个状态估计(预测)基于动态模型方程。

这些滤波器之间的主要区别在于权重系数α−β−γ的选择,一些滤波器类型使用恒定的权重系数;其他的通过计算得到每个滤波器迭代的权重系数。

α、β和γ的选择对于估计算法的正确运行至关重要。

α−β−γ应该是什么参数?作为卡尔曼滤波器的介绍,我这里只做简单介绍,因此,我不讨论这个主题。好奇的读者可以找到许多关于这个主题的书籍和论文。作为参考,我建议:

Dirk Tenne, Tarunraj Singh. “Optimal Design of α−β−(γ)α−β−(γ) Filters”. State University of New York at Buffalo.

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分