fb_941219的博客

⾸先，我们将布粒⼦和LIDAR点投射到同⼀⽔平平⾯，然后在此2D平⾯中找到每个布粒⼦的最近的激光点云（称为对应点，CP）。IHV表⽰粒⼦能到达的最低位置，即如果粒⼦达到由该值定义的最低位置，则不能再向前移动。如果两个连接的粒⼦都是可移动的，我们将它们以相反的⽅向移动。通过分析布的节点与相应的LIDAR点之间的相互作⽤，可以确定布的最终形状，并将其⽤作将原始点分类为地⾯和⾮地⾯。粒⼦的位置和速度取决于作⽤在粒⼦上的⼒。当使⽤内⼒移动粒⼦的运动⽅向时，两个具有不同⾼度值的粒⼦将尝试移动到同⼀⽔平⾯。

状态估计问题的求解思路：假设系统 kkk 时刻的观测量为 zkz_kzk​ ,状态量为 xkx_kxk​ ,这两个变量是符合某种分布的随机变量,且它们不相互独立。我们希望求出:P(xk∣x0,z1:k)P\left(\boldsymbol{x}_{k} \mid \boldsymbol{x}_{0}, \boldsymbol{z}_{1: k}\right)P(xk​∣x0​,z1:k​)根据贝叶斯法则,(估计中的概率公式参考)将系统状态的概率求解拆分如下:P(xk∣x0,z1:k)∝P(zk∣x

估计中的概率公式总结0.引言1.基本概念2.贝叶斯公式3.独立4.条件联合分布5.条件贝叶斯公式6.马尔科夫0.引言近期遇到的概率公式，整理一下。1.基本概念条件概率 P(A∣B)P(A|B)P(A∣B) : BBB 发生的情况下，AAA 发生的概率。联合概率 P(A,B)=P(A∣B)P(B)P(A,B) = P(A|B)P(B)P(A,B)=P(A∣B)P(B) : AAA 、 BBB 同时发生的概率 = BBB发生 * BBB 发生时 AAA 发生。联合 = 条件 * 边缘边缘概率

占栅格地图-Occupancy Grid Map，理论推导及代码阅读。

EKF-SLAM0.引言1. 运动模型1.1.里程计模型1.2.运动更新2.测量模型0.引言参考链接。基本是基于概率机器人进行实现的，是一个很好的学习材料。此博客只是个人学习记录。AlgorithmExtendedKalmanfilter(μt−1,Σt−1,ut,zt)Algorithm Extended Kalman filter \left(\mu_{t-1}, \Sigma_{t-1}, u_{t}, z_{t}\right)AlgorithmExtendedKalmanfilter(μ

MLE、MAP、BE_最大似然估计、最大后验估计及贝叶斯估计0.引言1、贝叶斯公式2、极大似然估计（MLE）3、最大后验估计（MAP）4、贝叶斯估计（BE）0.引言ref01ref02ref03ref04总结放在前：在对事物建模时，用 θ\thetaθ 表示模型的参数，请注意，解决问题的本质就是求 θ\thetaθ :MLE： 最大似然估计思想为，观测数据（样本）发生概率最大的参数就是最好的参数（谁大像谁）：　　　　θ∗=argmaxθp⁡(X∣θ)=argmaxθ∏x1xnp(

Extended Kalman Filter0.引言1.推导0.引言参考Kalman Filter1.推导

Kalman0.引言1.State-Space Model2.Dynamic Model3.KalmanFilter0.引言参考：悉尼科技大学.徐亦达老师课程.1.State-Space Modelxtx_txt​:隐状态，待估计量；纯视觉SLAM中即为(ξi,pi)(\xi_i,p_i)(ξi​,pi​) 6个自由度自由度。yty_tyt​:观测量；纯视觉SLAM中即为Landm...

Kalman01 Filter0.引言1.Kalman Filter1.1. 建模1.2. 五个重要公式2.MatlabDemo0.引言卡尔曼滤波（Kalman filtering）一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。Kalman.1.Kalman Filter理论上......