首页 > 线性连续时间状态空间模型的离散化及实例

线性连续时间状态空间模型的离散化及实例

线性连续时间状态空间模型的离散化(Discretization of Linear Continuous-Time State-Space Models)

1 .状态空间模型

非线性连续时间状态空间模型

x˙(t)=f(x(t))+Bw(x(t))w(t)yn=g(xn)+rnegin{aligned}dot{m x}(t) &= f(x(t))+ m B_w(x(t))m w(t) \ m y_n &= g(x_n)+r_nend{aligned}x˙(t)yn=f(x(t))+Bw(x(t))w(t)=g(xn)+rn

线性离散时间状态空间模型

xn=Fxn−1+Bqqnyn=Gxn+rnegin{aligned}m x_n &= m Fx_{n-1}+m B_qm q_n \ m y_n &= m Gx_n+m r_n end{aligned}xnyn=Fxn1+Bqqn=Gxn+rn

非线性离散时间状态空间模型

xn=f(xn−1)+Bq(xn−1)qnyn=g(xn)+rnegin{aligned}m x_n &=f(x_{n-1})+m B_q(x_{n-1})m q_n \ m y_n & =g(x_n)+m r_n end{aligned}xnyn=f(xn1)+Bq(xn1)qn=g(xn)+rn

示例:Quasi-Constant Turn Model in 2D 二维准常数转弯模型

  • 车辆在位置p(t)p(t)p(t), 速度为v(t)v(t)v(t), 方位角(航向角)φ(t)varphi(t)φ(t)
  • 状态向量 x=[px(t)py(t)v(t)φ(t)]x = egin{bmatrix} p^x(t) \ p^y(t) \ v(t)\ varphi(t) end{bmatrix}x=px(t)py(t)v(t)φ(t)
  • 动态模型

    [p˙x(t)p˙y(t)v˙(t)φ˙(t)]=[v(t)cos⁡(φ(t))v(t)sin⁡(φ(t))00]+[00001001]w(t)egin{bmatrix} dot{p}^x(t) \ dot{p}^y(t) \ dot{v}(t)\ dot{varphi}(t) end{bmatrix} = egin{bmatrix} v(t)cos({varphi(t)})\ v(t)sin({varphi(t)})\ 0 \ 0 end{bmatrix} + egin{bmatrix} 0&0\ 0&0\ 1&0\ 0&1 end{bmatrix}w(t)p˙x(t)p˙y(t)v˙(t)φ˙(t)=v(t)cos(φ(t))v(t)sin(φ(t))00+001

更多相关:

  • 物理层发端的基本流程在36.211/36.212(NR:38.211/38.212)中有详细的描述,现在归纳如下。下面列出的每个步骤对于某些信道而言可能会增加其它步骤,也可能有些步骤不需要。 CRC 相关 信道编码(channel coding) LTE: NR: 加扰-Scrambling 加扰过程是data bit...