76 lines
2.0 KiB
C++
76 lines
2.0 KiB
C++
//
|
|
// Copyright 2022 Chen Jun
|
|
//
|
|
|
|
#include <Eigen/Dense>
|
|
#include <functional>
|
|
|
|
#ifndef POWER_RUNE_EXTENDEDKALMANFILTER_H
|
|
#define POWER_RUNE_EXTENDEDKALMANFILTER_H
|
|
|
|
namespace rm_power_rune {
|
|
|
|
class ExtendedKalmanFilter
|
|
{
|
|
public:
|
|
ExtendedKalmanFilter() = default;
|
|
|
|
using VecVecFunc = std::function<Eigen::VectorXd(const Eigen::VectorXd &)>;
|
|
using VecMatFunc = std::function<Eigen::MatrixXd(const Eigen::VectorXd &)>;
|
|
using VoidMatFunc = std::function<Eigen::MatrixXd()>;
|
|
|
|
explicit ExtendedKalmanFilter(
|
|
const VecVecFunc & f, const VecVecFunc & h, const VecMatFunc & j_f, const VecMatFunc & j_h,
|
|
const VoidMatFunc & u_q, const VecMatFunc & u_r, const Eigen::MatrixXd & P0);
|
|
|
|
// Set the initial state
|
|
void setState(const Eigen::VectorXd & x0);
|
|
|
|
// Compute a predicted state
|
|
Eigen::MatrixXd predict();
|
|
|
|
// Update the estimated state based on measurement
|
|
Eigen::MatrixXd update(const Eigen::VectorXd & z);
|
|
|
|
private:
|
|
// Process nonlinear vector function
|
|
VecVecFunc f;
|
|
// Observation nonlinear vector function
|
|
VecVecFunc h;
|
|
// Jacobian of f()
|
|
VecMatFunc jacobian_f;
|
|
Eigen::MatrixXd F;
|
|
// Jacobian of h()
|
|
VecMatFunc jacobian_h;
|
|
Eigen::MatrixXd H;
|
|
// Process noise covariance matrix
|
|
VoidMatFunc update_Q;
|
|
Eigen::MatrixXd Q;
|
|
// Measurement noise covariance matrix
|
|
VecMatFunc update_R;
|
|
Eigen::MatrixXd R;
|
|
|
|
// Priori error estimate covariance matrix
|
|
Eigen::MatrixXd P_pri;
|
|
// Posteriori error estimate covariance matrix
|
|
Eigen::MatrixXd P_post;
|
|
|
|
// Kalman gain
|
|
Eigen::MatrixXd K;
|
|
|
|
// System dimensions
|
|
int n;
|
|
|
|
// N-size identity
|
|
Eigen::MatrixXd I;
|
|
|
|
// Priori state
|
|
Eigen::VectorXd x_pri;
|
|
// Posteriori state
|
|
Eigen::VectorXd x_post;
|
|
};
|
|
|
|
} // rm_power_rune
|
|
|
|
#endif //POWER_RUNE_EXTENDEDKALMANFILTER_H
|