非线性状态估计问题是一个挑战。著名的卡尔曼滤波器只适用于线性系统。扩展卡尔曼滤波器(EKF)已经成为一个标准的制定对非线性状态估计。然而,它可能会导致重大错误传播的高度非线性系统,因为不确定性非线性系统。
无味卡尔曼滤波(UKF)是一种新型的发展领域。这个想法是为了产生多个采样点(σ点)在当前状态估计基于其协方差。然后,传播这些点通过非线性映射得到更准确的映射结果的均值和协方差估计。通过这种方式,它避免了需要计算雅可比矩阵,因此只会带来类似的计算负载的卡尔曼滤波器。
教程的目的,这段代码实现了一个简化版的UKF配方,我们假设这个过程和测量噪声都是添加剂,以避免增加状态并简化假设的非线性映射。
代码是大量注释用一个例子使用的函数。因此,它是UKF sutiable供初学者学习。相比较而言,卡尔曼滤波器代码可以找到//www.ru-cchi.com/matlabcentral/fileexchange/loadFile.do?objectId=18189&objectType=FILE
引用作为
易曹(2023)。学习无味卡尔曼滤波器(//www.ru-cchi.com/matlabcentral/fileexchange/18217-learning-the-unscented-kalman-filter), MATLAB中央文件交换。检索。
MATLAB版本兼容性
创建R2007a
兼容任何释放