Přejít k obsahu


Nonlinear estimation framework in target tracking

Citace: STRAKA, O., FLÍDR, M., DUNÍK, J., ŠIMANDL, M., BLASCH, E. Nonlinear estimation framework in target tracking. In Proceedings of the 13th International Conference on Information Fusion. Piscataway: IEEE, 2010. s. 1-8. ISBN: 978-0-9824438-1-1
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: Nonlinear estimation framework in target tracking
Rok vydání: 2010
Místo konání: Piscataway
Název zdroje: IEEE
Autoři: Ing. Ondřej Straka Ph.D. , Ing. Miroslav Flídr Ph.D. , Ing. Jindřich Duník Ph.D. , Prof. Ing. Miroslav Šimandl CSc. , Erik Blasch
Abstrakt CZ: Cílem článku je popis softwarového balíku navrženého pro odhad stavu nelineárních dynamických stochastických systémů. Balík byl navržen s cílem usnadnit implementaci, testování a použití různých metod nelineárního odhadu stavu. Hlavní přínos balíku je v jeho všestrannosti díky podpoře jak strukturálního tak pravděpodobnostního popisu modelu. Vedle známých metod nelineárního odhadu jako jsou rozšířený Kalmanův filtr, diferenční filtry nebo unscentovaný Kalmanův filtr, implementuje balík také částicové filtry s některými pokročilými vlastnostmi. Díky tomu, že je balík postaven na objektově orientovaném přístupu, jsou jeho další rozšíření o uživatelem specifikované metody extrémně jednoduché. Článek popisuje jednotlivé komponenty balíku, jejich hlavní vlastnosti a použití. Článek demonstruje jednoduché a přirozené použití balíku v úloze sledování polohy, což je ilustrováno na dvou příkladech - sledování lodi s neznámým měřením a sledování tří cílů využitím surových dat.
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. The main strength of the framework is its versatility due to the possibility of either structural or probabilistic model description. 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 the particle filter with advanced features. As the framework is designed on the object oriented basis, further extension by user-specified nonlinear estimation algorithms is extremely easy. The paper describes the individual components of the framework, their key features and use. The paper demonstrates easy and natural application of the framework in target tracking which is illustrated in two examples - tracking a ship with unknown control and tracking three targets based on raw data.
Klíčová slova

Zpět

Patička