The infrared angle estimation at th

The infrared angle estimation at the fine scale is a nonlinear
process that is commonly dealt with the extended Kalman filter
(EKF) [13], the unscented Kalman filter (UKF) [14] and particle filter
(PF) [15]. In the EKF, the state distribution is approximated by a
Gaussian random variable (GRV), which is then propagated analytically
through the first-order linearization of the nonlinear system.
This can introduce larger errors in the true posterior mean and
covariance of the transformed GRV, which may lead to suboptimal
performance and sometimes result in divergence of the filter.
The UKF uses a deterministic sampling approach based on the
unscented transformation. The state distribution is also approximated
by a GRV, but is represented by using a minimal set of carefully
chosen sampling points. These sampling points can capture
the true mean and covariance of the GRV completely. When propagated
through the true nonlinear system, they can estimate the
posterior mean and covariance accurately to the 3rd order for
any nonlinearity. PF method is a set of online posterior density
estimation algorithm that estimates the posterior density of the
state-space by implementing the Bayesian recursion equations
directly. It’s not restricted by state transition and the measurement
model, and has a higher estimated accuracy. However, PF has
heavy calculation and is troubled by the problem of particle degradation.
Taken together, the UKF can achieve 3rd-order accuracy
with proper computational complexity, while the EKF only
achieves first-order accuracy and the PF has a greater computational
complexity than the UKF. Therefore the UKF algorithm is
adopted to achieve angle estimation at the fine scale in this paper.

ผลลัพธ์ (ไทย) 1:

ประมาณการมุมอินฟราเรดในระดับที่ดีคือการไม่เชิงเส้นกระบวนการที่จะกระทำโดยทั่วไปกับตัวกรองคาลมานขยาย(EKF) [13] ตัวกรองคาลมานสเปรย์ผม unscented และตัวกรองอนุภาค (ยูเคเอฟ) [14](PF) [15] ใน EKF กระจายรัฐจะห้วงโดยซึ่งจะแพร่กระจายแล้ววิเคราะห์ตัวแปรสุ่มแบบเกาส์ (GRV)ผ่าน linearization สั่งซื้อครั้งแรกของระบบไม่เชิงเส้น นี้สามารถนำข้อผิดพลาดที่มีขนาดใหญ่ในหลังที่แท้จริงของค่าเฉลี่ยและความแปรปรวนของ GRV เปลี่ยนซึ่งอาจนำไปสู่การก่อให้เกิดผลลัพธ์ประสิทธิภาพการทำงานและบางครั้งส่งผลให้เกิดความแตกต่างของตัวกรอง ยูเคเอฟใช้วิธีการสุ่มตัวอย่างที่กำหนดบนพื้นฐานของการเปลี่ยนแปลงที่ไม่มีกลิ่น มีการกระจายของรัฐยังเป็นห้วงโดย GRV แต่เป็นตัวแทนโดยใช้ชุดที่น้อยที่สุดของการระมัดระวังจุดเก็บตัวอย่างได้รับการแต่งตั้ง จุดเก็บตัวอย่างเหล่านี้สามารถจับภาพหมายถึงความจริงและความแปรปรวนของ GRV สมบูรณ์ เมื่อแพร่กระจายผ่านระบบไม่เชิงเส้นจริงพวกเขาสามารถประมาณการหลังค่าเฉลี่ยและความแปรปรวนอย่างถูกต้องลำดับที่ 3 ไม่เป็นเชิงเส้นใดๆ วิธี PF เป็นชุดของความหนาแน่นหลังออนไลน์ขั้นตอนวิธีการประมาณค่าที่ประมาณการความหนาแน่นหลังของรัฐพื้นที่โดยการใช้สมการเรียกซ้ำคชกรรมโดยตรง มันไม่ถูกจำกัดโดยการเปลี่ยนแปลงของรัฐและการวัดรูปแบบและมีความถูกต้องสูงกว่าที่คาด อย่างไรก็ตาม PF มีการคำนวณหนักและเป็นทุกข์จากปัญหาการย่อยสลายอนุภาค การสั่งซื้อที่ร่วมกันยูเคเอฟสามารถบรรลุความถูกต้องที่ 3ที่มีความซับซ้อนของคอมพิวเตอร์ที่เหมาะสมในขณะที่ EKF เพียงประสบความสำเร็จในความถูกต้องสั่งซื้อครั้งแรกและ PF มีการคำนวณมากขึ้นซับซ้อนกว่ายูเคเอฟ ดังนั้นขั้นตอนวิธีการยูเคเอฟจะถูกนำมาใช้เพื่อให้บรรลุการประมาณค่ามุมในระดับดีในบทความนี้

ผลลัพธ์ (ไทย) 2:

ประมาณการมุมอินฟราเรดในระดับที่ดีคือการไม่เชิงเส้น
กระบวนการที่จะกระทำโดยทั่วไปกับตัวกรองคาลมานขยาย
(EKF) [13] ตัวกรองคาลมาน unscented (ยูเคเอฟ) [14] และตัวกรองอนุภาค
(PF) [15] ใน EKF กระจายรัฐจะห้วงโดย
ตัวแปรสุ่มแบบเกาส์ (GRV) ซึ่งจะแพร่กระจายแล้ววิเคราะห์
ผ่าน linearization สั่งซื้อครั้งแรกของระบบไม่เชิงเส้น.
นี้สามารถนำข้อผิดพลาดที่มีขนาดใหญ่ในหลังที่แท้จริงของค่าเฉลี่ยและ
ความแปรปรวนของ GRV เปลี่ยน ซึ่งอาจนำไปสู่การก่อให้เกิดผลลัพธ์
ประสิทธิภาพการทำงานและบางครั้งส่งผลให้เกิดความแตกต่างของตัวกรอง.
ยูเคเอฟใช้วิธีการสุ่มตัวอย่างที่กำหนดบนพื้นฐานของ
การเปลี่ยนแปลงที่ไม่มีกลิ่น มีการกระจายของรัฐยังเป็นห้วง
โดย GRV แต่เป็นตัวแทนโดยใช้ชุดที่น้อยที่สุดของการระมัดระวัง
จุดเก็บตัวอย่างได้รับการแต่งตั้ง จุดเก็บตัวอย่างเหล่านี้สามารถจับภาพ
หมายถึงความจริงและความแปรปรวนของ GRV สมบูรณ์ เมื่อแพร่กระจาย
ผ่านระบบไม่เชิงเส้นจริงพวกเขาสามารถประมาณการ
หลังค่าเฉลี่ยและความแปรปรวนอย่างถูกต้องลำดับที่ 3
ไม่เป็นเชิงเส้นใด ๆ วิธี PF เป็นชุดของความหนาแน่นหลังออนไลน์
ขั้นตอนวิธีการประมาณค่าที่ประมาณการความหนาแน่นหลังของ
รัฐพื้นที่โดยการใช้สมการเรียกซ้ำคชกรรม
โดยตรง มันไม่ถูก จำกัด โดยการเปลี่ยนแปลงของรัฐและการวัด
รูปแบบและมีความถูกต้องสูงกว่าที่คาด อย่างไรก็ตาม PF มี
การคำนวณหนักและเป็นทุกข์จากปัญหาการย่อยสลายอนุภาค.
ที่ร่วมกันยูเคเอฟสามารถบรรลุความถูกต้องที่ 3 การสั่งซื้อ
ที่มีความซับซ้อนของคอมพิวเตอร์ที่เหมาะสมในขณะที่ EKF เพียง
ประสบความสำเร็จในความถูกต้องสั่งซื้อครั้งแรกและ PF มีการคำนวณมากขึ้น
ซับซ้อนกว่า ยูเคเอฟ ดังนั้นขั้นตอนวิธีการยูเคเอฟจะถูก
นำมาใช้เพื่อให้บรรลุการประมาณค่ามุมในระดับดีในบทความนี้

ผลลัพธ์ (ไทย) 3:

อินฟราเรดมุมประมาณในระดับดีคือไม่เป็นเชิงเส้นกระบวนการที่เป็นที่นิยมได้รับการขยายตัวกรองคาลมาน( EKF ) [ 13 ] , ตัวกรองคาลมาน unscented ( ukf ) [ 14 ] และกรองอนุภาค( PF ) [ 15 ] ในทั้ง รัฐกระจายโดยประมาณ โดยตัวแปรสุ่มเสียน ( grv ) ซึ่งเป็นทฤษฎีแล้วขยายพันธุ์ผ่านความเชิงเส้นของระบบไม่เชิงเส้นนี้สามารถแนะนำข้อผิดพลาดใหญ่ในหมายถึงด้านหลังจริงความแปรปรวนของแปลง grv ซึ่งอาจนำไปสู่ suboptimalประสิทธิภาพ และในบางครั้งผลความแตกต่างของตัวกรองการ ukf ใช้วิธีการสุ่มตัวอย่างตามเชิงกำหนดunscented การแปลง รัฐจ่ายเป็นโดยประมาณโดย grv แต่จะแสดงโดยใช้ชุดน้อยอย่างระมัดระวังเลือกจุดตัวอย่าง ตัวอย่างจุดเหล่านี้สามารถจับภาพความจริงและความของ grv อย่างสมบูรณ์ เมื่อไปผ่านจริงเชิงระบบ พวกเขาสามารถประเมินหมายถึงกระดูกและความถูกต้องกับคำสั่ง 3 สำหรับค่าใด ๆ . วิธีทำให้เป็นชุดของความหนาแน่นของกระดูกออนไลน์ขั้นตอนวิธีการประมาณความหนาแน่นของกระดูกของสภาพพื้นที่โดยการใช้ซ้ำแบบสมการโดยตรง มันไม่ได้ จำกัด โดยการเปลี่ยนสถานะ และการวัดนางแบบ และ ได้สูงกว่าประมาณความถูกต้อง อย่างไรก็ตาม PF ได้หนักและการคำนวณมีปัญหา โดยปัญหาของการสลายอนุภาคถ่ายด้วยกัน ukf สามารถบรรลุ 3 เพื่อความถูกต้องที่มีความซับซ้อนเชิงคำนวณที่เหมาะสม ในขณะที่ทั้งเท่านั้นใช้เพื่อความถูกต้องและ PF มีมากกว่าการคำนวณความซับซ้อนกว่า ukf . ดังนั้นขั้นตอนวิธีการ ukf คือใช้เพื่อให้บรรลุการประมาณมุมในระดับดีในบทความนี้