Přejít k obsahu


Comparison of Adaptive and Randomized Unscented Kalman Filter Algorithms

Citace:
STRAKA, O., DUNÍK, J., ŠIMANDL, M., BLASCH, E. Comparison of Adaptive and Randomized Unscented Kalman Filter Algorithms. In Proceedings of the 17th International Conference on Information Fusion. Salamanca: IEEE, 2014. s. 1-8. ISBN: 978-84-9012-355-3
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: Comparison of Adaptive and Randomized Unscented Kalman Filter Algorithms
Rok vydání: 2014
Místo konání: Salamanca
Název zdroje: IEEE
Autoři: Ing. Ondřej Straka Ph.D. , Ing. Jindřich Duník Ph.D. , Prof. Ing. Miroslav Šimandl CSc. , Erik Blasch
Abstrakt CZ: Článek se zabývá odhadem stavu nelineárních dynamických systémů se zaměřením na pokročilé unscentované Kalmanovy filtry. Jsou uvažovány dva algoritmy: adaptivní unscentovaný Kalmanův filtr a náhodný unscentovaný Kalmanův filtr. Oba algoritmy vytvářejí jednu nebo několik množin sigma bodů, které jsou použity pro aproximaci podmíněných momentů stavu. Zatímco adaptivní algoritmus získává množinu sigma bodů optimalizací kritéria, náhodný algoritmus generuje několik množin náhodně. Článek oba algoritmy porovnává a poskytuje doporučení pro jejich použití. Algoritmy jsou ilustrovány na příkladu sledování objektu na základě azimutu.
Abstrakt EN: The paper deals with state estimation of nonlinear dynamic stochastic systems with a special focus on advanced unscented Kalman filter algorithms. Two algorithms are considered: the adaptive unscented Kalman filter and the randomized unscented Kalman filter. Both algorithms construct one or several \s-points set used for an approximation of the conditional state moments. While the adaptive algorithm obtains a \s-point set by optimization of a criterion, the randomized algorithm constructs several sets randomly. In the paper, both algorithms are compared and a recommendation for an application of the algorithms is provided. The algorithms are illustrated in a bearings-only target tracking example.
Klíčová slova

Zpět

Patička