python数据处理高斯滤波_这可能是史上最全的 Python 算法集（建议收藏）

导读：本文是一些机器人算法（特别是自动导航算法）的Python代码合集。其主要特点有以下三点：

• 选择了在实践中广泛应用的算法；
• 依赖最少；
• 容易阅读，容易理解每个算法的基本思想。

希望阅读本文后能对你有所帮助。前排友情提示，文章较长，建议收藏后再看。

本文经授权转自公众号：CSDN（ID：CSDNnews），作者：AtsushiSakai，译者：弯月

一、目录环境需求怎样使用本地化

• 扩展卡尔曼滤波本地化
• 无损卡尔曼滤波本地化
• 粒子滤波本地化
• 直方图滤波本地化

映射

• 高斯网格映射
• 光线投射网格映射
• k均值物体聚类
• 圆形拟合物体形状识别

SLAM

• 迭代最近点匹配
• EKF SLAM
• FastSLAM 1.0
• FastSLAM 2.0
• 基于图的SLAM

路径规划

• 动态窗口方式
• 基于网格的搜索
• 迪杰斯特拉算法
• A*算法
• 势场算法
• 模型预测路径生成
• 路径优化示例
• 查找表生成示例
• 状态晶格规划
• 均匀极性采样（Uniform polar sampling）
• 偏差极性采样（Biased polar sampling）
• 路线采样（Lane sampling）
• 随机路径图（PRM）规划
• Voronoi路径图规划
• 快速搜索随机树（RRT）
• 基本RRT
• RRT*
• 基于Dubins路径的RRT
• 基于Dubins路径的RRT*
• 基于reeds-shepp路径的RRT*
• Informed RRT*
• 批量Informed RRT*
• 三次样条规划
• B样条规划
• 贝济埃路径规划
• 五次多项式规划
• Dubins路径规划
• Reeds Shepp路径规划
• 基于LQR的路径规划
• Frenet Frame中的最优路径

路径跟踪

• 纯追迹跟踪
• 史坦利控制
• 后轮反馈控制
• 线性二次regulator（LQR）转向控制
• 线性二次regulator（LQR）转向和速度控制

项目支持

二、环境需求

• Python 3.6.x
• numpy
• scipy
• matplotlib
• pandas
• cvxpy 0.4.x

三、怎样使用

1、安装必要的库；

2、克隆本代码仓库；

3、执行每个目录下的python脚本；

4、如果你喜欢，则收藏本代码库。

四、本地化

1.扩展卡尔曼滤波本地化

该算法利用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）实现传感器混合本地化。

蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为EKF估算的路径。红色椭圆为EKF估算的协方差。

相关阅读：
概率机器人学http://www.probabilistic-robotics.org/

2.无损卡尔曼滤波本地化

该算法利用无损卡尔曼滤波器（Unscented Kalman Filter, UKF）实现传感器混合本地化。

线和点的含义与EKF模拟的例子相同。

相关阅读：
利用无差别训练过的无损卡尔曼滤波进行机器人移动本地化https://www.researchgate.net/publication/267963417_Discriminatively_Trained_Unscented_Kalman_Filter_for_Mobile_Robot_Localization

3. 粒子滤波本地化

该算法利用粒子滤波器（Particle Filter, PF）实现传感器混合本地化。

蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为PF估算的路径。

该算法假设机器人能够测量与地标（RFID）之间的距离。PF本地化会用到该测量结果。

相关阅读：
概率机器人学http://www.probabilistic-robotics.org/

4. 直方图滤波本地化

该算法是利用直方图滤波器（Histogram filter）实现二维本地化的例子。

红十字是实际位置，黑点是RFID的位置。蓝色格子是直方图滤波器的概率位置。在该模拟中，x，y是未知数，yaw已知。滤波器整合了速度输入和从RFID获得距离观测数据进行本地化。

不需要初始位置。

相关阅读：
概率机器人学http://www.probabilistic-robotics.org/

五、映射

1. 高斯网格映射

本算法是二维高斯网格映射（Gaussian grid mapping）的例子。

2. 光线投射网格映射

本算法是二维光线投射网格映射（Ray casting grid map）的例子。

3. k均值物体聚类

本算法是使用k均值算法进行二维物体聚类的例子。

4. 圆形拟合物体形状识别

本算法是使用圆形拟合进行物体形状识别的例子。

蓝圈是实际的物体形状。红叉是通过距离传感器观测到的点。红圈是使用圆形拟合估计的物体形状。

六、SLAM

同时本地化和映射（Simultaneous Localization and Mapping，SLAM）的例子。

1. 迭代最近点匹配

本算法是使用单值解构进行二维迭代最近点（