本文介绍了在机器人目标追踪中，如何利用卡尔曼滤波器进行状态预测和匈牙利匹配算法进行数据关联。重点讨论了这两种技术在低成本实时系统中的应用，特别是结合二维激光雷达和深度相机进行障碍物检测和追踪。同时强调了算法的效率和资源利用率对于实际应用的重要性。
前言
最近学习激光雷达和摄像头的目标追踪算法,主要涉及目标检测----->目标匹配----->目标追踪,不同于传统的目标追踪,机器人的目标涉及多个障碍物,如果想要预测障碍物的轨迹,必须有效检测出来,才能进行后续的处理,在许多文章中,涉及的关键字有
- yolov3
- 点云聚类
- 卡尔曼滤波
- 匈牙利匹配算法
- deepsort
- darknet_ros
- 雷达
- 深度相机
因为我的目标是
- 低成本
- 实时性
- 尽量用二维激光雷达和深度相机搞定
- 但学习算法方面要有所拔高,为找工作做准备(这是关键,不谈计算资源,成本和实时性的算法就是耍流氓!!!).嵌入式思想的精髓就是,每一个部件,每一行代码都是有用的,精益求精!
1.卡尔曼滤波器
看了几天资料,终于看懂了,理解了回头看感觉不难,在没理解之前着实有点绕.
卡尔曼滤波原理及实现
基于MATLAB的卡尔曼滤波算法实现
思想:状态的初步预测向量转换到观测空间.与观测向量,求两个高斯分布乘积后的高斯分布的均值,转换回预测值空间,即为预测值,更新协方差矩阵.
2.匈牙利匹配算法
多目标跟踪之数据关联（匈牙利匹配算法和KM算法）
带你入门多目标跟踪（三）匈牙利算法&KM算法
295
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
