- 1、本文档共18页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
非线性卡尔曼滤波与多传感器融合
电信少41 刘星辰 2120406102
根据题目中给出的量测方程,进行坐标变换,得
以此坐标画图,结果如下:
将非线性问题线性化,新的量测方程为
其中,
扩展卡尔曼滤波算法一个循环如下:
将量测方程代入,由于题目中未给出滤波器初值,因此参考作业二中的初值,得到的两个雷达估计的目标状态如下图:
距离均方根误差为
将估计位置、量测位置分别代入上式,得到两个雷达量测和估计的距离均方差,如下图:
可看出单个雷达量测的距离均方根误差是波动的,经过卡尔曼滤波后的误差是逐渐收敛的,且每一时刻都优于量测误差。
(3)
集中式融合算法:
量测方程为
过程与单个雷达进行EKF相同。
简单凸组合分布式融合算法:
即每个传感器单独进行处理,将结果融合。
融合估计如下图:
将融合后的估计位置代入距离均方根误差,得融合前与融合后的距离均方根误差如下图:
可看出融合后的效果优于任何一个雷达的估计效果。
将分布式与集中式融合误差放大:
可看出集中式融合的效果比简单凸组合分布式融合的效果要好,误差较小,这是因为集中式融合可以利用到所有的原始量测数据,无信息丢失,误差不会传递累计。
(4)
由距离均方根误差定义可得到速度均方根误差,即
类似的可以得到两个雷达融合前以及融合后的速度均方根误差,如下图:
放大之后:
同样可看出融合后的效果优于融合前任何一个雷达的估计效果,而集中式融合效果优于简单凸组合分布式融合效果。
感想:
整个作业的完成不仅需要结合课上所学知识和PPT上的例程,也要加以理解、分析,理解例程的思想,才能写出正确的代码,得到理想的结果。代码只是工具,理解思路才是完成这次作业的重点。另外一些小的细节也不容忽略,例如弧度角度的转换等。
代码如下:
clc;clear;close all;
%参数设置
X(:,1)=[10000 -100 10000 0];
sensor1(:,1)=[0;0];
sensor2(:,1)=[10000;0];
T=1;
F_cv=[1 T;0 1];
F=[ F_cv zeros(2,2)
zeros(2,2) F_cv];
G=[(T^2)/2 T 0 0;
0 0 (T^2)/2 T];
wx=1; %过程噪声标准差
wy=1;
Q=diag([wx^2 wy^2]);
v_r=10; %量测噪声标准差
v_theta=1*pi/180;
R=[v_r^2 0;
0 v_theta^2];
RR=[R zeros(2,2)
zeros(2,2) R];
n=100;
M=500;%Monte-Carlo仿真次数
error_mea1=zeros(1,n);
error_Kalman1=zeros(1,n);
error_mea2=zeros(1,n);
error_Kalman2=zeros(1,n);
error_Fusion=zeros(1,n);
error_Fusion_d=zeros(1,n);
error_v1=zeros(1,n);
error_v2=zeros(1,n);
error_v_Fusion=zeros(1,n);
error_v_Fusion_d=zeros(1,n);
for k=1:M
%生成真实状态和量测
for i=2:n
W=[wx*randn;wy*randn];
X(:,i)=F*X(:,i-1)+G*W;%真实状态
end
for i=1:n
V=[v_r*randn;
v_theta*randn];
%雷达1
z1(1,i)=sqrt((X(1,i)-0)^2+(X(3,i)-0)^2)+V(1);
z1(2,i)=atan2(X(3,i)-0,X(1,i)-0)+V(2);
sensor1(1,i)=z1(1,i)*cos(z1(2,i));
sensor1(2,i)=z1(1,i)*sin(z1(2,i));
%雷达2
z2(1,i)=sqrt((X(1,i)-10000)^2+(X(3,i)-0)^2)+V(1);
z2(2,i)=atan2(X(3,i)-0,X(1,i)-10000)+V(2);
sensor2(1,i)=z2(1,i)*cos(z2(2,i))+10000;
sensor2(2,i)=z2(1,i)*sin(z2(2,i));
Z(:,i)=[z1(:,i);z2(:,i)];
end
%
文档评论(0)