使用线性卡尔曼滤波和粒子滤波估计地形高度（matlab实现）

💥💥💞💞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

地形高度的准确估计在许多应用中具有重要意义，例如导航、地图构建和目标跟踪等领域。本文探讨了两种常用于地形高度估计的滤波技术：线性卡尔曼滤波和粒子滤波。这两种方法在不同的环境和应用场景中都显示出了良好的性能，但它们基于不同的理论和算法。线性卡尔曼滤波是一种基于状态空间模型的递归滤波方法，广泛应用于估计动态系统的状态。在地形高度估计中，我们可以将地形高度视为系统的状态，并利用传感器测量的信息进行动态更新。卡尔曼滤波通过递归地融合先验信息和测量值，提供了对地形高度的实时估计。

📚2 运行结果

主函数部分代码：

% main file to create a KF for terpcom application
function  main()
% general commands
close all;
clear all;
clc;

DEBUG =0;

figure(1); hold on;

% Initialization
dt = 0.1; % time
bet = 1/10; % beta
A = [1 0; 0 exp(-bet*dt)]; % State transistion matrix
% state are -> x1=h, x2 = h_err = h_pred - h = h_msl-h_dma - h
% x1dot = w1 ~=N[0, sigma1^2], sigma1 = 20
% x2dot = -beta*x2+w2 sqrt(2sigma2^2*beta) -> sigma2=45

Xhat = [160 2]';
Phat = [10 0; 0 10];
% 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]);

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[[1]韦春宇,杜娅丹,程智楷等.基于无人机遥感植被指数优选的覆膜冬小麦估产研究[J/OL].农业机械学报:1-14[2024-03-04].http://kns.cnki.net/kcms/detail/11.1964.S.20240229.1556.006.html.

[2]Lv H ,Chen Y ,Li S , et al. Improve exploration in deep reinforcement learning for UAV path planning using state and action entropy[J]. Measurement Science and Technology,2024,35(5).

🌈4 Matlab代码实现