Der Artikel befasst sich mit der Zustandsschätzung stochastischer Modelle mit linearer Systemdynamik, sowohl in kontinuierlicher als auch diskreter Zeit. Der Schwerpunkt liegt auf einer numerischen Lösung des Zeitvorhersage-Schritts des gitterpunktbasierten Punktmassen-Filters (PMF), der den rechenintensivsten Teil des PMF-Algorithmus darstellt.
Es wird ein neuartiger effizienter PMF (ePMF)-Schätzer vorgeschlagen, der kontinuierliche und diskrete Ansätze vereint. Anhand numerischer Illustrationen wird gezeigt, dass der vorgeschlagene ePMF zu einer Reduzierung der Zeitkomplexität von über 99,9% führen kann, ohne dabei Genauigkeit einzubüßen.
Der Artikel beschreibt zunächst die verwendeten Systemmodelle für die geländegestützte Navigation, einschließlich eines einfachen Random-Walk-Modells und eines komplexeren Modells mit koordinierter Drehung. Anschließend wird der Standard-PMF-Algorithmus erläutert.
Der Kern des Beitrags ist die Entwicklung des effizienten Punktmassen-Prädiktors (ePMFp), der die Zeitkomplexität des Zeitvorhersage-Schritts von O(N^2) auf O(N log(N)) reduziert, wobei N die Anzahl der Gitterpunkte ist. Dieser ePMFp wird dann zu einem effizienten PMF (ePMF) für sowohl kontinuierliche als auch diskrete Systemdynamiken erweitert.
Abschließend werden die Implementierungsdetails des ePMF beschrieben und numerische Ergebnisse präsentiert, die zeigen, dass der ePMF nun mit dem Partikelfilter in Bezug auf Genauigkeit und Rechenzeit konkurrieren kann, was zuvor nicht möglich war.
To Another Language
from source content
arxiv.org
Deeper Inquiries