shaozhenghan的博客

《CKF滤波算法及其在航天器自主导航中的应用》是一篇非常好的论文，详细介绍推到了容积卡尔曼滤波（CKF）的原理及其与UKF的对比。1. 基本滤波问题其中公式3.1.5 由公式3.1.4根据 3变量的贝叶斯规则 得来：P(x | y, z) = P(y | x, z) * P(x | z) / P (y | z)公式3.17和公式3.18采用了条件独立。公式3.1....

知乎上的概率机器人知识总结，总体写的深入浅出1.https://zhuanlan.zhihu.com/p/57307528补充3随机变量的贝叶斯规则的证明，这个用的真的非常多。这也是《概率机器人》第2章13页公式2.162.状态转移概率，测量概率，条件独立假设重要性https://zhuanlan.zhihu.com/p/57391230补充概念：马尔科夫假设：...

读《多假设航迹合成算法》这篇论文的一些总结和个人理解卡尔曼滤波（KF）用在跟踪上，从目标的动力学方程（系统方程）和观测方程为前提，即要求系统模型已知（包括模型噪声和观测噪声的统计特性）单radar的目标跟踪主要包括：航迹起始、数据关联、状态估计、航迹终止多传感器则需要航迹合成，即多个传感器的航迹属于同一targetKF跟踪的主要问题是，运动模型选择、噪声协方差的匹配所谓的...

原创：Apollo社区开发者Apollo开发者社区2018-11-14本文档结合代码详细地解释感知模块中障碍物感知的流程与功能，也可以官方参考文档。（https://github.com/ApolloAuto/apollo/blob/master/docs/specs/3d_obstacle_perception_cn.md)硬件简介...

在自动驾驶的目标跟踪问题中，自车的坐标系随着自车运动，包括yaw angle。因此，在跟踪时，需要这样做：车身偏航角的变化率是可以得到的yaw_rate，在每次触发跟踪算法时根据两帧时间戳的差值对yaw_rate做积分，就有这个时间段内产生的偏航角变化，把这个值算到卡尔曼的估计中，再和测量值做加权。也就是说，卡尔曼的预测过程=基于目标运动模型+自车坐标系变化引起的坐标变换（旋转）.可以这样理解...

KF跟踪时常见的运动模型有匀速运动模型（CV）和匀加速运动模型（CA）常用传感器是Lidar和Radar其中，Lidar只能测距不能测速，而radar可以测速。因此，在使用Lidar进行跟踪时，速度可以初始化为0，在预测阶段正常计算，在测量更新阶段使用测量矩阵H 将状态向量中的速度舍弃掉。但这并不意味着速度就不能更新了，因为计算得到的卡尔曼增益K可以根据预测测量值和实际测量值的差对速度...