个人理解同时定位与建图本质上就是方程的求解过程,一个运动方程加一个观测方程。通过已知的传感器数据和运动传感器的输入去反推“我”此时的位置xk以及“我”所看见的路标的位置yj,这也就实现了定位和建图。
接下来就是一些在读书过程中遇到的之前没有深入了解过的点,可能会有一些简单,但作为一个小白,如实记录就好了。
线性系统/非线性系统:我自身的理解就是运动是否匀速,如果没有加速度y=kx这种就是线性,y=kx^2就是非线性
高斯分布:正态分布百度百科找的图,大概就长这样。
线性高斯系统(Linear Gaussian)/LG系统:在《机器人学的状态估计》这本书里就讲到这个系统,也是所有情况中最容易求解的系统。一般提到线性高斯就一定会跟卡尔曼滤波器绑定,所以先了解一下卡尔曼滤波器。
卡尔曼滤波器:在看了很多关于卡尔曼滤波器的讲解之后,我对这个的理解就是一个可以估计出下一步运动的一种基于高斯分布的预测器。具体详解我看的是这一篇:https://blog.csdn.net/u010720661/article/details/63253509
但是不是所有系统都是这么简单,更多的是复杂一些的非线性非高斯系统,那么求解的过程就会更加复杂,一般用到的是扩展卡尔曼滤波器+非线性优化的方式。
EKF本身是有缺点的,然后就出现了一些其他的滤波器,但是但了今天,图优化成为了主流,且效果明显好于滤波器。
程序部分暂时略过。。。
描述一个刚体的不仅要说出具体位置更要讲它的姿态说出来
基向量:任何向量都可以用基向量来表示,长度为1
opengl居然跟unity用的坐标系不一样
向量的内积:就是一个数
向量的外积:是一个垂直于两个向量的法向量,是两个向量形成的平行四边形的面积
https://www.cnblogs.com/gxcdream/p/7597865.html
把向量a变成一个矩阵a^
slam14讲里一些自己不了解的点的整理
最新推荐文章于 2024-09-27 22:26:36 发布