Stochastic Integration Filter: Theoretical and Implementation Aspects
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F18%3A43953135" target="_blank" >RIV/49777513:23520/18:43953135 - isvavai.cz</a>
Výsledek na webu
<a href="http://https:dx.doi.org/10.23919/ICIF.2018.8455586" target="_blank" >http://https:dx.doi.org/10.23919/ICIF.2018.8455586</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.23919/ICIF.2018.8455586" target="_blank" >10.23919/ICIF.2018.8455586</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Stochastic Integration Filter: Theoretical and Implementation Aspects
Popis výsledku v původním jazyce
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.
Název v anglickém jazyce
Stochastic Integration Filter: Theoretical and Implementation Aspects
Popis výsledku anglicky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
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
Proceedings of the 21st International Conference on Information Fusion (FUSION 2018)
ISBN
978-0-9964527-6-2
ISSN
—
e-ISSN
neuvedeno
Počet stran výsledku
8
Strana od-do
1699-1706
Název nakladatele
IEEE
Místo vydání
Cambridge, UK
Místo konání akce
Cambridge, UK
Datum konání akce
10. 7. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—