Multitarget Tracking Performance Analysis Using the Non-Credibility Index in the Nonlinear Estimation Framework (NEF) Toolbox
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F10%3A43896380" target="_blank" >RIV/49777513:23520/10:43896380 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/NAECON.2010.5712932" target="_blank" >http://dx.doi.org/10.1109/NAECON.2010.5712932</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/NAECON.2010.5712932" target="_blank" >10.1109/NAECON.2010.5712932</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Multitarget Tracking Performance Analysis Using the Non-Credibility Index in the Nonlinear Estimation Framework (NEF) Toolbox
Popis výsledku v původním jazyce
Target tracking, nonlinear control, and fault detection are typically evaluated with only a Root Mean Square (RMS). RMS is an absolute measurement of the system performance and does not provide a statistic as to the tracker, controller, or fault detection algorithmic performance. For this paper, we investigate the noncredibility index (NCI) and average normalized estimation error square (ANEES) for nonlinear estimation for the Kalman Filter (KF), the Central Difference Filter (DD1), the unscented Kalmanfilter (UKF), and the particle filter (PF). Fault detection and target track performance is dependent on target maneuvers, sensor errors, model parameters, and state estimation which need to be understood relative to the filter performance versus the absolute performance (i.e. root mean square) of the system. Utilizing the developments of the Nonlinear Estimation Framework (NEF) toolbox, we develop methods of nonlinear relative comparison performance between nonlinear filters in a unifi
Název v anglickém jazyce
Multitarget Tracking Performance Analysis Using the Non-Credibility Index in the Nonlinear Estimation Framework (NEF) Toolbox
Popis výsledku anglicky
Target tracking, nonlinear control, and fault detection are typically evaluated with only a Root Mean Square (RMS). RMS is an absolute measurement of the system performance and does not provide a statistic as to the tracker, controller, or fault detection algorithmic performance. For this paper, we investigate the noncredibility index (NCI) and average normalized estimation error square (ANEES) for nonlinear estimation for the Kalman Filter (KF), the Central Difference Filter (DD1), the unscented Kalmanfilter (UKF), and the particle filter (PF). Fault detection and target track performance is dependent on target maneuvers, sensor errors, model parameters, and state estimation which need to be understood relative to the filter performance versus the absolute performance (i.e. root mean square) of the system. Utilizing the developments of the Nonlinear Estimation Framework (NEF) toolbox, we develop methods of nonlinear relative comparison performance between nonlinear filters in a unifi
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
BC - Teorie a systémy řízení
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2010
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceeding of National Aerospace and Electronics Conference 2010
ISBN
978-1-4244-6578-1
ISSN
0547-3578
e-ISSN
—
Počet stran výsledku
9
Strana od-do
107-115
Název nakladatele
Institute of Electrical and Electronics Engineers ( IEEE )
Místo vydání
345 E 47TH ST, NEW YORK, NY 10017 USA
Místo konání akce
Fairborn, USA
Datum konání akce
14. 7. 2010
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000294969100018