<p>In this work a particle filter (PF) that uses a one-dimensional dynamic model to estimate the position of vehicles traveling on a road is derived. The dynamic model used in the PF is a second order linear-Gaussian model. To be able to track targets traveling both on and off road two different multiple model filters are proposed. One of the filters is a modified version of the Efficient Interacting Multiple Model (E-IMM) and the other is a version of the Multiple Likelihood Models (MLM). Both of the filters uses two modes, one for the on road motion and one for the off road motion. The E-IMM filter and the MLM filter are compared to the standard PF to be able to see the performance gain in using multiple models. This result indicates that the multiple model filters have better performance, at least when the true mode switching probabilities are used.</p> / <p>Den här arbetet presenterar ett partikelfilter som använder sig av en endimensionell dynamisk modell för att skatta positionen på fordon som befinner sig på någon väg. Den dynamiska modellen som används i partikelfiltret är en andra ordningens linjär-gaussisk modell. För att kunna spåra fordon som befinner sig både på och utanför vägen så föreslås två olika multipla filter. Ena filtret är en modifierad</p><p>variant av Efficient Interacting Multiple Model (E-IMM) och den andra är en version a Multiple Likelihood Models (MLM). Båda filtren använder sig av två moder, en för rörelse på vägen och en för rörelse utanför vägen. E-IMM filtret och MLM filtret jämförs med ett standard partikelfilter för att kunna se förbättringen vid använding av multipla modeller. Resultatet visar att båda multipla modell filtren ger bättre resultat, i varje fall då rätt sannolikheter för modbyte används.</p>
| Identifer | oai:union.ndltd.org:UPSALLA/oai:DiVA.org:liu-11562 |
| Date | January 2008 |
| Creators | Johansson, Henrik |
| Publisher | Linköping University, Department of Electrical Engineering, Institutionen för systemteknik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, text |
Page generated in 0.0064 seconds