Přejít k obsahu


Random-Point-Based Filters: Analysis and Comparison in Target Tracking

Citace:
DUNÍK, J., STRAKA, O., ŠIMANDL, M., BLASH, E. Random-Point-Based Filters: Analysis and Comparison in Target Tracking. IEEE Transactions on Aerospace and Electronic Systems, 2015, roč. 51, č. 2, s. 1403-1421. ISSN: 0018-9251
Druh: ČLÁNEK
Jazyk publikace: eng
Anglický název: Random-Point-Based Filters: Analysis and Comparison in Target Tracking
Rok vydání: 2015
Autoři: Ing. Jindřich Duník Ph.D. , Doc. Ing. Ondřej Straka Ph.D. , Prof. Ing. Miroslav Šimandl CSc. , Eric Blash
Abstrakt CZ: Článek je věnován odhadu stavu stochastických dynamických systémů. Důraz je kladen zejména na porovnání nelineárních metod odhadu stavu, které využívají integrační techniky založené na generování náhodných vzorků. V článku je provedeno detailní analytické porovnání uvažovaných metod i jejich simulační srovnání na základě tří úloh z oblasti sledování pohybujících se objektů.
Abstrakt EN: This paper compares state estimation techniques for nonlinear stochastic dynamic systems, which are important for target tracking. Recently, several methods for nonlinear state estimation have appeared utilizing various random-point-based approximations for global filters (e.g., particle filter and ensemble Kalman filter) and local filters (e.g., Monte-Carlo Kalman filter and stochastic integration filters). A special emphasis is placed on derivations, algorithms, and commonalities of these filters. All filters described are put into a common framework, and it is proved that within a single iteration, they provide asymptotically equivalent results. Additionally, some deterministic-point-based filters (e.g., unscented Kalman filter, cubature Kalman filter, and quadrature Kalman filter) are shown to be special cases of a random-point-based filter. The paper demonstrates and compares the filters in three examples, a random variable transformation, re-entry vehicle tracking, and bearings-only tracking. The results show that the stochastic integration filter provides better accuracy than the Monte-Carlo Kalman filter and the ensemble Kalman filter with lower computational costs.
Klíčová slova

Zpět

Patička