Question

为了开发我的粒子滤波算法的实现，我需要生成关于与要跟踪的对象相关的运动的假设：如果我设置 N 样本并且我使用 2-by <1> 状态向量，然后在每个步骤中我必须生成 N 对随机值（ 2-by-N 矩阵）。此外，如果我知道运动的统计数据（平均值和标准差），那么我可以使用均值和标准差来生成所有N值。最后，为了模拟运动的不确定性，我可以生成一个噪声矩阵（ 2-by-N 矩阵）并将其添加到运动矩阵中。

基于这些前提，我已经实现了在matlab中运行的算法，并且我使用以下代码来生成移动假设。

ds_mean = [dx_mean dy_mean];
ds_stddev = [dx_stddev dy_stddev];
d = 5;

V = zeros(2,N);
V(1,:) = normrnd(ds_mean(1),ds_stddev(1),1,N);   % hypotheses of movement on x axis
V(2,:) = normrnd(ds_mean(2),ds_stddev(2),1,N);   % hypotheses of movement on y axis

E = d*randn(2,N);   % weighted noise

M = V + E;   % hypotheses of movement

当我不得不使用C ++和OpenCV实现相同的算法时出现问题：实质上，虽然上面的matlab代码生成了良好的预测（它工作得很好），但是用C ++编写的相同代码（参见下面的代码）会产生差异预测（即远离物体）。为什么呢？

RNG m_rng;

x_mean = // ...
y_mean = // ...
x_stddev = // ...
y_stddev = // ...

Mat velocity(STATE_DIM, NUM_PARTICLES, DataType<double>::type);
m_rng.fill(velocity.row(0), RNG::NORMAL, x_mean, x_stddev);
m_rng.fill(velocity.row(1), RNG::NORMAL, y_mean, y_stddev);

Mat noise(STATE_DIM, NUM_PARTICLES, DataType<double>::type);
m_rng.fill(noise,RNG::NORMAL,0,1);
noise *= d;   % weighted noise

movements = velocity + noise;

如何确保C ++算法与matlab中实现的算法一样有效？

Answer 1

我想我在这里只是偶然回答了你的问题，或者至少提供了另一种解决方案。

https://stackoverflow.com/a/13897938/1899861

我相信这会生成适当的随机数，并且在英特尔处理器（386,486，Pentium）上使用Microsoft C进行编译时已经过测试。

仅供参考，4.0 * atan（1.0）比上述环境中的常数产生更好的PI值。

如何正确设置随机数生成器？

1 个答案: