| Title: | Stochastic Integration Filter: Theoretical and Implementation Aspects |
| Other Titles: | Stochastický integrační filtr: teoretické a implementační aspekty |
| Authors: | Havlík, Jindřich Straka, Ondřej Hanebeck, Uwe D. |
| Citation: | HAVLÍK, J., STRAKA, O., HANEBECK, U.D. Stochastic Integration Filter: Theoretical and Implementation Aspects. In Proceedings of the 21st International Conference on Information Fusion (FUSION 2018). Cambridge, UK: IEEE, 2018. s. 1699-1706. ISBN: 978-0-9964527-6-2 |
| Issue Date: | 2018 |
| Publisher: | IEEE |
| Document type: | konferenční příspěvek conferenceObject |
| URI: | 2-s2.0-85054103450 http://hdl.handle.net/11025/33824 |
| ISBN: | 978-0-9964527-6-2 |
| Keywords: | odhad stavu;gaussovské filtry;stochastické integrační pravidlo |
| Keywords in different language: | state estimation;Gaussian filter;stochastic integration rule |
| Abstract: | Článek se zabývá odhadem stavu nelineárních stochastických systémů diskrétních v čase stochastickým integračním filtrem. Tento filtr je zástupcem skupiny tzv. gaussovských filtrů, který k výpočtu prediktivních momentů stavu a měření využívá stochastického integračního pravidla. Ve výsledku jsou vypočtené momenty náhodnými proměnnými s vhodnými asymptotickými vlastnostmi. Článek analyzuje teoretické důsledky využití stochastického integračního pravidla a navrhuje několik modifikací zlepšující chování stochastického integračního filtru. Vzhledem k mnohačetným iteracím stochastického pravidla jsou výpočetní nároky stochastického integračního filtru vyšší než ostatních gaussovských filtrů. K snížení výpočetních nároků byly navrženy takové úpravy filtru, které berou v potaz numerickou stabilitu celého algoritmu. vylepšení navržená v tomto článku jsou ilustrovány pomocí statických i dynamických příkladů využívaných v úloze sledování cíle. |
| Abstract in different language: | The paper focuses on state estimation of discrete-time nonlinear stochastic dynamic systems with a special focus on the stochastic integration filter. The filter is an representative of the Gaussian filter and computes the state and measurement predictive moments by making use of a stochastic integration rule. As a result, the calculated values of the moments are random variables and exhibit favorable asymptotic properties. The paper analyzes theoretical consequences of using stochastic integration rules and proposes several modifications that improve the performance of the stochastic integration filter. As the filter requires multiple iterations of the stochastic rule, its computational costs are higher in comparison with other Gaussian filters. To reduce the costs, several modifications are proposed in the paper, which are also concerned with numerical stability issues. The proposed modifications are illustrated using both static and dynamic numerical examples used in target tracking. |
| Rights: | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © IEEE |
| Appears in Collections: | Konferenční příspěvky / Conference Papers (KKY) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| clanek_FUSION18_HSH.pdf | 466,77 kB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/33824Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.