Фільтруючі алгоритми визначення координат об’єкта у системах підтримки прийняття рішень
DOI:
https://doi.org/10.18372/1990-5548.68.16089Ключові слова:
оцінювання параметрів, оцінювання станів, динамічна система, гранулярний фільтр, цифрова фільтрація, оптимальна фільтрація, несистематична похибка, позиціонування робота, система підтримки прийняття рішеньАнотація
Методи оцінювання параметрів і станів динамічних систем – актуальна задача, результати розв’язання якої знаходять своє застосування у різних галузях діяльності, включаючи дослідження процесів у технічних системах, космологічних та фізичних дослідженнях, медичних діагностичних системах, економіці, фінансах, біотехнологіях, екології та інших. Незважаючи на значні наукові і практичні досягнення у цьому напрямі, дослідники багатьох країн світу продовжують пошуки нових методів оцінювання параметрів і станів досліджуваних об’єктів та удосконалення існуючих. Прикладом таких методів є цифрова та оптимальна фільтрація, які знайшли широке застосування у технічних системах ще у середині минулого століття, зокрема, у обробці фінансово-економічних даних, фізичних експериментах та інших інформаційних технологіях самого різного призначення. Розглядається модель та алгоритми гранулярної фільтрації на практичному прикладі – варіанті задачі глобальної локалізації мобільного робота (global localization for mobile robots) або задачі про викраденого робота (hijacked robot problem). В загальному варіанті вона полягає у визначенні положення робота за даними з сенсора. Ця задача була в цілому розв’язана рядом імовірнісних методів в кінці 90-х-початку 2000-х років. Задача є важливою і знаходить застосування у мобільній робототехніці та промисловості. Схожими за суттю є задачі позиціонування підводних човнів, літальних апаратів, автомобілів та інших рухомих об’єктів.
Посилання
C. K. Chui and G. Chen, Kalman Filtering with Real-Time Applications. Berlin: Springer, 2009, 239 p.
S. Haykin, Adaptive Filtering Theory. Upper Saddle River NJ: Prentice Hall, 2007, 920 p.
S. J. Press, Subjective and Objective Bayesian Statistics. Hoboken, NJ: John Wiley & Sons, Inc., 2003, 558 p. https://doi.org/10.1002/9780470317105
Dan Liu, Zidong Wang, Yurong Liua, and Fuad E. Alsaadi, “Recursive filtering for stochastic parameter systems with measurement quantizations and packet disorders,” Applied Mathematics and Computation, Elsevier, vol. 398, 2021. https://doi.org/10.1016/j.amc.2021.125960
A. Pole, M. West, and J. Harrison, Applied Bayesian Forecasting and Time Series Analysis, Boca Raton, FL: Chapman & Hall/CRC, 2000, 410 p
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).