- 博客(8)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 PID控制算法——基本原理
PID 控制器是一种经典且有效的控制策略，通过比例、积分和微分三部分的调节，能够提供稳定的控制输出。虽然其设计和调节相对简单，但在实际应用中需要根据系统的具体需求进行调整，以实现最佳性能。
2024-08-19 09:53:05
398
原创 蒙特卡洛定位算法——基本原理
蒙特卡洛定位算法是一种有效的定位技术，通过使用粒子滤波方法来处理机器人定位中的不确定性和复杂性。它在实际应用中表现出色，但也需要在计算资源和算法效率之间进行平衡。蒙特卡洛定位算法通过粒子滤波来近似贝叶斯滤波，从而对机器人的状态进行估计。其主要包括初始化粒子、根据控制输入预测粒子状态、根据观测更新粒子权重、重采样粒子以及估计机器人的位置和姿态。这种方法可以处理高维、非线性的定位问题，并在许多实际应用中表现良好。蒙特卡洛定位算法通过粒子滤波方法来估计机器人在环境中的位置和姿态。
2024-08-19 09:34:44
382
原创 自适应权重函数——基本原理
自适应权重函数是一种动态调整权重的方法，用于改进模型的性能或优化问题的解决方案。它通常应用于机器学习、信号处理、控制系统和优化等领域。其核心思想是根据数据或环境的变化自适应地调整权重，以提高模型的准确性或系统的稳定性。
2024-08-18 11:52:29
264
原创 无迹卡尔曼滤波算法——基本原理
无迹卡尔曼滤波（Unscented Kalman Filter, UKF）是一种用于处理非线性系统状态估计的递归滤波器。相比于扩展卡尔曼滤波（EKF），UKF在处理非线性问题时通常表现得更为精确和稳健。它通过一种称为“无迹变换”（Unscented Transform, UT）的技术来近似非线性函数，从而避免了对雅可比矩阵的计算，这使得它对非线性系统有更好的适应性。
2024-08-18 10:30:33
387
原创 卡尔曼滤波算法——基本原理
卡尔曼滤波算法（Kalman Filter）是一种广泛应用于统计学、信号处理、控制工程等领域的递归滤波算法。它用于从一系列含有噪声的数据中估计出系统的状态。这种算法是由鲁道夫·卡尔曼（Rudolf E. Kálmán）于1960年提出的。
2024-08-18 10:13:28
296
原创 粒子滤波算法——基本原理
粒子滤波（Particle Filter, PF），又称为序贯蒙特卡罗方法，是一种用于非线性、非高斯动态系统的状态估计方法。粒子滤波通过对状态空间进行离散化，并使用随机采样的方式来估计系统的状态。与扩展卡尔曼滤波（EKF）不同，粒子滤波不需要对系统模型进行线性化，这使得它在处理高度非线性问题时表现出色。
2024-08-17 13:43:38
229
原创 扩展卡尔曼滤波算法——基本原理
扩展卡尔曼滤波（Extended Kalman Filter, EKF）是卡尔曼滤波（Kalman Filter, KF）的一个扩展，主要用于处理非线性系统中的状态估计问题。
2024-08-17 12:13:31
347
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人