已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

New extension of the Kalman filter to nonlinear systems

扩展卡尔曼滤波器 不变扩展卡尔曼滤波器 计算机科学 控制理论(社会学) 卡尔曼滤波器 估计员 稳健性(进化) 协方差 线性化 协方差交集 线性系统 非线性滤波器 非线性系统 滤波器(信号处理) 数学 滤波器设计 人工智能 计算机视觉 统计 数学分析 物理 基因 量子力学 化学 生物化学 控制(管理)
作者
Simon Julier,Jeffrey Uhlmann
出处
期刊:Proceedings of SPIE 被引量:3085
标识
DOI:10.1117/12.280797
摘要

The Kalman Filter (KF) is one of the most widely used methods for tracking and estimation due to its simplicity, optimality, tractability and robustness. However, the application of the KF to nonlinear systems can be difficult. The most common approach is to use the Extended Kalman Filter (EKF) which simply linearizes all nonlinear models so that the traditional linear Kalman filter can be applied. Although the EKF (in its many forms) is a widely used filtering strategy, over thirty years of experience with it has led to a general consensus within the tracking and control community that it is difficult to implement, difficult to tune, and only reliable for systems which are almost linear on the time scale of the update intervals. In this paper a new linear estimator is developed and demonstrated. Using the principle that a set of discretely sampled points can be used to parameterize mean and covariance, the estimator yields performance equivalent to the KF for linear systems yet generalizes elegantly to nonlinear systems without the linearization steps required by the EKF. We show analytically that the expected performance of the new approach is superior to that of the EKF and, in fact, is directly comparable to that of the second order Gauss filter. The method is not restricted to assuming that the distributions of noise sources are Gaussian. We argue that the ease of implementation and more accurate estimation features of the new filter recommend its use over the EKF in virtually all applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
网安真难T_T完成签到,获得积分10
1秒前
Dipper完成签到,获得积分10
1秒前
3秒前
橙子完成签到 ,获得积分10
3秒前
4秒前
8秒前
eq582522关注了科研通微信公众号
10秒前
隐形曼青应助宗忻采纳,获得10
13秒前
JJBOND完成签到,获得积分10
14秒前
lxz3131完成签到,获得积分20
15秒前
16秒前
拼搏思菱发布了新的文献求助30
23秒前
24秒前
jiangchuansm完成签到,获得积分10
24秒前
24秒前
26秒前
wang发布了新的文献求助10
28秒前
28秒前
Owen应助亦屿森采纳,获得100
28秒前
dzc完成签到,获得积分10
29秒前
29秒前
33秒前
科研通AI2S应助可靠的念柏采纳,获得10
35秒前
39秒前
Becky发布了新的文献求助10
43秒前
Brent完成签到,获得积分10
45秒前
wjq2430发布了新的文献求助10
50秒前
52秒前
wang完成签到 ,获得积分10
52秒前
Ziming发布了新的文献求助10
54秒前
sss发布了新的文献求助10
56秒前
57秒前
58秒前
滕靖完成签到,获得积分10
59秒前
欢喜发卡完成签到,获得积分10
1分钟前
Min完成签到 ,获得积分10
1分钟前
junjun00发布了新的文献求助10
1分钟前
whereas完成签到 ,获得积分10
1分钟前
1分钟前
高分求助中
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Handbook of Qualitative Cross-Cultural Research Methods 600
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3139341
求助须知:如何正确求助?哪些是违规求助? 2790257
关于积分的说明 7794680
捐赠科研通 2446703
什么是DOI,文献DOI怎么找? 1301325
科研通“疑难数据库(出版商)”最低求助积分说明 626124
版权声明 601109