Přejít k obsahu


Multitarget Tracking Performance Analysis Using the Non-Credibility Index in the Nonlinear Estimation Framework (NEF) Toolbox

Citace: [] BLASCH, E., STRAKA, O., DUNÍK, J., ŠIMANDL, M. Multitarget Tracking Performance Analysis Using the Non-Credibility Index in the Nonlinear Estimation Framework (NEF) Toolbox. In Proceeding of National Aerospace and Electronics Conference 2010. 345 E 47TH ST, NEW YORK, NY 10017 USA: Institute of Electrical and Electronics Engineers ( IEEE ), 2010. s. 107-115. ISBN: 978-1-4244-6578-1 , ISSN: 0547-3578
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: Multitarget Tracking Performance Analysis Using the Non-Credibility Index in the Nonlinear Estimation Framework (NEF) Toolbox
Rok vydání: 2010
Místo konání: 345 E 47TH ST, NEW YORK, NY 10017 USA
Název zdroje: Institute of Electrical and Electronics Engineers ( IEEE )
Autoři: Erik Blasch , Ing. Ondřej Straka Ph.D. , Ing. Jindřich Duník Ph.D. , Prof. Ing. Miroslav Šimandl CSc.
Abstrakt CZ: Sledování polohy, nelineární řízení a detekce poruch jsou typicky hodnoceny pouze střední kvadratickou chybou. Ta představuje absolutní měření kvality odhadu a neposkytuje žádnou statistiku systém sledování, řízení a detekce poruchy. V tomto článku se zabýváme indexem nedůvěryhodnosti a průměrným normalizovaným kvadrátem chyby nelineárního odhadu pro Kalmanův filtr, diferenční filtr, unscentovaný Kalmanův filtr a částicový filtr. Kvalita detekce poruch a sledování polohy je závislé na pohybu objektu, chybě senzorů, parametrech modelu a odhadu stavu, které je nutné hodnotit relativně ke kvalitě filtru namísto absolutní kvality. Využitím balíku pro nelineární filtraci navrhujeme metody pro porovnání nelineárních filtrů pomocí relativní míry v unifikovaném scénáři.
Abstrakt EN: Target tracking, nonlinear control, and fault detection are typically evaluated with only a Root Mean Square (RMS). RMS is an absolute measurement of the system performance and does not provide a statistic as to the tracker, controller, or fault detection algorithmic performance. For this paper, we investigate the noncredibility index (NCI) and average normalized estimation error square (ANEES) for nonlinear estimation for the Kalman Filter (KF), the Central Difference Filter (DD1), the unscented Kalman filter (UKF), and the particle filter (PF). Fault detection and target track performance is dependent on target maneuvers, sensor errors, model parameters, and state estimation which need to be understood relative to the filter performance versus the absolute performance (i.e. root mean square) of the system. Utilizing the developments of the Nonlinear Estimation Framework (NEF) toolbox, we develop methods of nonlinear relative comparison performance between nonlinear filters in a unified scenario.
Klíčová slova

Zpět

Patička