Linear Kalman Filter Deep Dive (and Target Tracking)

Économisez sur les compétences qui vous font briller avec 40 % de réduction sur 3 mois de Coursera Plus. Économisez maintenant

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues. Consultez les langues disponibles.

Linear Kalman Filter Deep Dive (and Target Tracking)

Ce cours fait partie de Spécialisation "Applied Kalman Filtering"

Instructeur : Gregory Plett

Inclus avec

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

niveau Intermédiaire

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

Compétences que vous acquerrez

Catégorie : Statistical Inference
Catégorie : Probability Distribution
Catégorie : Control Systems
Catégorie : Estimation
Catégorie : Statistical Methods
Catégorie : Applied Mathematics
Catégorie : Mathematical Modeling
Catégorie : Predictive Analytics
Catégorie : Time Series Analysis and Forecasting
Catégorie : Markov Model
Catégorie : Probability
Catégorie : Numerical Analysis
Catégorie : Advanced Mathematics
Catégorie : Linear Algebra
Catégorie : Correlation Analysis

Outils que vous découvrirez

Catégorie : Matlab

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

26 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Applied Kalman Filtering"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable

Il y a 4 modules dans ce cours

As a follow-on course to "Kalman Filter Boot Camp", this course derives the steps of the linear Kalman filter to give understanding regarding how to adjust the method to applications that violate the standard assumptions. Applies this understanding to enhancing the robustness of the filter and to extend to applications including prediction and smoothing. Shows how to implement a target-tracking application in Octave code using an interacting multiple-model Kalman filter.

Knowing how to derive the steps of the Kalman filter is important for understanding the assumptions that are made and to be able to re-derive the steps for different assumptions. This week, you will learn how to derive the steps and will gain insight into how the Kalman filter works.

Inclus

7 vidéos12 lectures6 devoirs1 sujet de discussion

7 vidéosTotal 116 minutes

2.1.1: Welcome to the course!8 minutes
2.1.2: Predict/correct mechanism of sequential probabilistic inference27 minutes
2.1.3: The Kalman-filter gain factor25 minutes
2.1.4: Summarizing the six steps of generic sequential probabilistic inference8 minutes
2.1.5: Deriving the three linear Kalman-filter prediction steps21 minutes
2.1.6: Deriving the three linear Kalman-filter correction steps24 minutes
2.1.7: Summary of "Deriving the linear Kalman filter" module plus next steps4 minutes

12 lecturesTotal 120 minutes

Frequently Asked Questions10 minutes
Course Resources10 minutes
How to Use Discussion Forums10 minutes
Earn a Course Certificate10 minutes
Are you interested in earning an online MSEE degree?10 minutes
Notes for Lesson 2.1.110 minutes
Notes for Lesson 2.1.210 minutes
Notes for Lesson 2.1.310 minutes
Notes for Lesson 2.1.410 minutes
Notes for Lesson 2.1.510 minutes
Notes for Lesson 2.1.610 minutes
Notes for Lesson 2.1.710 minutes

6 devoirsTotal 80 minutes

Graded assignment for week 130 minutes
Practice assignment for Lesson 2.1.210 minutes
Practice assignment for Lesson 2.1.310 minutes
Practice quiz for Lesson 2.1.410 minutes
Practice quiz for Lesson 2.1.510 minutes
Practice assignment for Lesson 2.1.610 minutes

1 sujet de discussionTotal 10 minutes

Introduce yourself10 minutes

Last week, you learned the assumptions made when deriving the Kalman filter. What if these assumptions are not met correctly? What if numeric roundoff error causes failure? This week, you will learn how to solve problems with the standard Kalman filter.

Inclus

7 vidéos7 lectures7 devoirs3 laboratoires non notés

7 vidéosTotal 121 minutes

2.2.1: How do we improve the numeric robustness of a Kalman filter?15 minutes
2.2.2: How do we increase the precision of the linear Kalman filter?28 minutes
2.2.3: How do I initialize and tune a Kalman filter?21 minutes
2.2.4: What do we do when the noises are nonzero-mean?19 minutes
2.2.5: What do I do if the process and sensor noises are cross-correlated?19 minutes
2.2.6: What about when the process and sensor noises are not white?16 minutes
2.2.7: Summary of "Making the linear Kalman filter bulletproof" module plus next steps3 minutes

7 lecturesTotal 70 minutes

Notes for Lesson 2.2.110 minutes
Notes for Lesson 2.2.210 minutes
Notes for Lesson 2.2.310 minutes
Notes for Lesson 2.2.410 minutes
Notes for Lesson 2.2.510 minutes
Notes for Lesson 2.2.610 minutes
Notes for Lesson 2.2.710 minutes

7 devoirsTotal 90 minutes

Graded assignment for week 230 minutes
Practice assignment for Lesson 2.2.110 minutes
Practice assignment for Lesson 2.2.210 minutes
Practice assignment for Lesson 2.2.310 minutes
Practice assignment for Lesson 2.2.410 minutes
Practice assignment for Lesson 2.2.510 minutes
Practice assignment for Lesson 2.2.610 minutes

3 laboratoires non notésTotal 60 minutes

Lab to compare standard and square-root Kalman filters20 minutes
Lab to compare KF with and without bias correction20 minutes
Lab to compare KF with and without compensation for autocorrelated noises20 minutes

The standard linear Kalman filter works well for state estimation, but can be extended to implement prediction and smoothing as well. Further, we can speed up the steps or even eliminate steps in some circumstances. This week, you will learn some extensions and refinements to linear Kalman filters.

Inclus

7 vidéos7 lectures7 devoirs3 laboratoires non notés

7 vidéosTotal 130 minutes

2.3.1: Automatically detecting bad measurements with a Kalman filter21 minutes
2.3.2: Processing measurements sequentially for multi-output systems21 minutes
2.3.3: Using the Kalman filter for prediction19 minutes
2.3.4: Using the Kalman filter for smoothing18 minutes
2.3.5: Steady-state Kalman filters19 minutes
2.3.6: Continuous-time Kalman filters30 minutes
2.3.7: Summary of "Extensions and refinements to linear Kalman filters" module plus next steps2 minutes

7 lecturesTotal 70 minutes

Notes for Lesson 2.3.110 minutes
Notes for Lesson 2.3.210 minutes
Notes for Lesson 2.3.310 minutes
Notes for Lesson 2.3.410 minutes
Notes for Lesson 2.3.510 minutes
Notes for Lesson 2.3.610 minutes
Notes for Lesson 2.3.710 minutes

7 devoirsTotal 90 minutes

Graded assignment for week 330 minutes
Practice assignment for Lesson 2.3.110 minutes
Practice assignment for Lesson 2.3.210 minutes
Practice assignment for Lesson 2.3.310 minutes
Practice assignment for Lesson 2.3.410 minutes
Practice assignment for Lesson 2.3.510 minutes
Practice assignment for Lesson 2.3.610 minutes

3 laboratoires non notésTotal 60 minutes

A Kalman predictor20 minutes
A Kalman smoother20 minutes
Steady-state Kalman filter20 minutes

A popular application of Kalman filters is to track (usually non-cooperating) targets. This week, you will learn how to implement standard and specialized Kalman filters suited for target tracking.

Inclus

6 vidéos6 lectures6 devoirs2 laboratoires non notés

6 vidéosTotal 107 minutes

2.4.1: Some unique features of the target-tracking application24 minutes
2.4.2: Tracking with polar measurements and a Cartesian state16 minutes
2.4.3: The interacting-multiple-model Kalman filter26 minutes
2.4.4: Implementing the IMM Kalman filter in Octave21 minutes
2.4.5: Steady-state alpha-beta-gamma target-tracking filters18 minutes
2.4.6 :Summary of "Target-tracking application using a linear Kalman filter" module plus next steps3 minutes

6 lecturesTotal 60 minutes

Notes for Lesson 2.4.110 minutes
Notes for Lesson 2.4.210 minutes
Notes for Lesson 2.4.310 minutes
Notes for Lesson 2.4.410 minutes
Notes for Lesson 2.4.510 minutes
Notes for Lesson 2.4.610 minutes

6 devoirsTotal 80 minutes

Graded assignment for week 430 minutes
Practice assignment for Lesson 2.4.110 minutes
Practice assignment for Lesson 2.4.210 minutes
Practice assignment for Lesson 2.4.310 minutes
Practice assignment for Lesson 2.4.410 minutes
Practice assignment for Lesson 2.4.510 minutes

2 laboratoires non notésTotal 40 minutes

Converting polar to Cartesian20 minutes
The IMM20 minutes

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

Gregory Plett

University of Colorado System

9 Cours84 592 apprenants

Offert par

University of Colorado System

En savoir plus sur Electrical Engineering

Statut : Essai gratuit
University of Colorado System
Kalman Filter Boot Camp (and State Estimation)
Cours
Statut : Essai gratuit
University of Colorado System
Nonlinear Kalman Filters (and Parameter Estimation)
Cours
Statut : Essai gratuit
University of Colorado System
Applied Kalman Filtering
Spécialisation
Statut : Essai gratuit
University of Colorado System
Particle Filters (and Navigation)
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Foire Aux Questions

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.