Přejít k obsahu


A Software Framework and Tool for Nonlinear State Estimation

Citace: [] STRAKA, O., FLÍDR, M., DUNÍK, J., ŠIMANDL, M. A Software Framework and Tool for Nonlinear State Estimation. IFAC-PapersOnline, 2009, roč. 15, č. 1, s. 510-515. ISSN: 1474-6670
Druh: ČLÁNEK
Jazyk publikace: eng
Anglický název: A Software Framework and Tool for Nonlinear State Estimation
Rok vydání: 2009
Místo konání: Neuveden
Název zdroje: International Federation of Automatic Control
Autoři: Ing. Ondřej Straka Ph.D. , Ing. Miroslav Flídr Ph.D. , Ing. Jindřich Duník Ph.D. , Prof. Ing. Miroslav Šimandl CSc.
Abstrakt CZ: Cílem článku je popsat programový framework navržený pro odhad stavu diskrétních nelineárních dynamických systémů. Framework je navržený s cílem usnadnit implementaci, testování a používání různých metod pro nelineární odhad stavu. Hlavní síla frameworku je jeho pružnost, protože umožňuje specifikaci problému jak strukturálním, tak pravděpodobnostním popisem. Vedle známých základních nelineárních filtrů, jako jsou rozšířený Kalmanův filtr, diferenční filtr a unscentovaný Kalmanův filtr, obsahuje framework také pokročilý částicový filtr. Díky objektově orientovanému návrhu frameworku, je další jeho rozšíření o uživatelem specifikované filtry velice jednoduché. Článek poskytuje stručný úvod do nelineárního odhadu stavu a popisuje jednotlivé součásti frameworku, jejich vlastnosti a použití. Kladné stránky frameworku jsou ilustrovány na dvou příkladech.
Abstrakt EN: The goal of the article is to describe a software framework designed for nonlinear state estimation of discrete time dynamic systems. The framework was designed with the aim to facilitate implementation, testing and use of various nonlinear state estimation methods in mind. The main strength of the framework is its versatility due to the possibility of either structural or probabilistic description of the problem. Besides the well-known basic nonlinear estimation methods such as the extended Kalman filter, the divided difference filters and the unscented Kalman filter, the framework implements particle filter with advanced features as well. As the framework is designed on the object oriented basis, further extension by user-specified nonlinear estimation algorithms is extremely easy. The paper provides a brief introduction into nonlinear state estimation problem and describes the individual components of the framework, their key features and use. The strengths of the framework are presented in two examples.
Klíčová slova

Zpět

Patička