自动驾驶定位与环境建图入门
文章平均质量分 92
一起学习,一起进步。加入我的学习小课堂。
windSeS
消失一段时间。
展开
-
定位(二):无迹卡尔曼滤波
上一篇介绍了卡尔曼滤波,以及用于非线性系统的扩展卡尔滤波。扩展卡尔曼滤波通过一阶泰勒展开得到近似的线性状态转移矩阵与观测矩阵。本篇介绍另一种可用于非线性系统的卡尔曼滤波改进版本——无迹卡尔曼滤波。一、无迹卡尔曼滤波原理1.1 扩展卡尔曼滤波的问题为了说明扩展卡尔曼滤波的问题,先假设一个服从一维正态分布的随机变量X∼N(μ,σ2)X \sim N(\mu, \sigma^2)X∼N(μ,σ2),Y=sin(X)Y=\sin(X)Y=sin(X)是随机变量XXX的正弦函数的分布,随机变量YYY的期望.原创 2021-09-27 21:53:39 · 1290 阅读 · 0 评论 -
定位(一):扩展卡尔曼滤波
移动机器人导航需要解决三个问题:1)我在哪儿?2)Filter designIn this simulation, the robot has a state vector includes 4 states at time ttt.xt=[xt,yt,ϕt,vt]\textbf{x}_t=[x_t, y_t, \phi_t, v_t]xt=[xt,yt,ϕt,vt]x, y are a 2D x-y position, ϕ\phiϕ is orientation, and v is .原创 2021-09-13 22:00:16 · 7645 阅读 · 1 评论