💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
📚2 运行结果
🎉3 参考文献
🌈4 Matlab代码实现
💥1 概述
本文模拟了安装在无人机中的距离传感器从地形获得的观测结果,并试图通过嘈杂的观测来估计地面的当前高度。线性卡尔曼滤波和粒子滤波技术都得到了实施和比较。
📚2 运行结果
部分代码:
% process noise sigma1 = 20*dt; sigma2 = 45*dt; % measurement model H = [1 1; 1 0]; % measurement noise sigma3 = 10*dt; sigma4 = 20*dt; Q = diag([sigma1 sigma2]); R = diag([sigma3 sigma4]); % UAV initialization uvel = 10; xv = uvel*cos(0); yv = uvel*sin(0); zv = 160; % create terrain [terrainHeight,terrainTime] = createTerrain; plot(terrainHeight,'r'); %CREATE TRUE STUFF hmslTrue = mslDataTrue(zv,terrainTime); hdmaTrue = dmaDataTrue(terrainHeight); % create MSL data hmsl = mslData(zv,terrainTime,sigma3/dt); plot(hmsl,'b'); plot(ones(length(hmsl),1)*zv,'k'); % create DMA data hdma = dmaData(terrainHeight,sigma4/dt); plot(hdma,'.b'); % particle filter settings N =100; %number os particles xp=[]; % make the random particles based on initial gaussian distribution for ii = 1:N xp(ii,1)= 60 + sigma1*randn; xp(ii,2)= 2 + sigma2*randn; end if(DEBUG) figure(); plot(1,p(:,1),'*r',1,p(:,2),'*b');
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]杜云峰.卡尔曼滤波器在过程估计中的应用[J].机电产品开发与创新,2007(04):142-143.
[2]王涛,谢婧怡,孟丽岩,李勐.基于平方根容积卡尔曼滤波器的非线性模型参数识别[J].黑龙江科技大学学报,2023,33(01):109-115.
[3]HSO (2023). Estimate Terrain Height using Linear Kalman Filter and Particle Filter