墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.3k累计阅读
1.3k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Kalman
https://wenku.baidu.com/view/5b15e76b53ea551810a6f524ccbff121dd36c520.html?rec_flag=default
https://www.cnblogs.com/TIANHUAHUA/p/8473029.html
http://tags.eeworld.com.cn/tags/卡尔曼/tiezi/2
角度的Kalman 先转 sin cos 再 kalman 然后转回来
定位
https://www.cnblogs.com/rubbninja/p/6256072.html
https://www.cnblogs.com/zhoug2020/p/9254256.html
https://www.cnblogs.com/zsychanpin/p/7136015.html
实现高精度协同定位的EKF算法项目实战
在动态系统的分析中，非线性系统是非线性关系描述的系统模型，与线性系统形成鲜明对比。其主要特点是系统的输出不是输入的线性函数，而是通过非线性函数连接。这种非线性关系使得非线性系统的分析和控制比线性系统更加复杂。
【EKF定位】基于传感器信息融合的EKF扩展卡尔曼滤波定位算法matlab仿真
matlab2013b传感器信息融合扩展卡尔曼滤波定位步骤：1.里程计位置估计 小车速度200mm/s（距离单位均按照mm来设计），里程计线速度误差0.01，旋转角速度误差0.1。2.超声波卫星距离测量位置观测 一个超声波发生器作为卫星发射超声波信号,其在全局地图的坐标已知, 两个超声波接收器在小车上,获取两个距离值后计算出小车的位置和回转角度 (此部分模型如不理解请再讨论)。 两个超声波接收器放在小车上，与小车heading方向垂直。小车的中心位置为两个接收器连线的
基于EKF的三自由度车辆定位算法解析与实践
扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种用于处理非线性动态系统的状态估计方法，是卡尔曼滤波（Kalman Filter，KF）的拓展。EKF利用泰勒级数将非线性函数局部线性化，从而近似于线性滤波问题，解决了标准卡尔曼滤波只适用于线性系统的局限性。车辆动力学是研究车辆在各种行驶条件下，受到各种力的作用下的运动规律和特性。动力学原理涉及到牛顿定律，即在任何情况下，物体的运动状态改变都由作用于其上的外力决定。对于车辆来说，这包括了驱动力、制动力、重力、摩擦力、空气阻力等。
【目标定位】基于matlab多机EKF+时差和频差无源定位【含Matlab源码 2057期】
多机EKF+时差和频差无源定位 完整的代码，方可运行；可提供运行操作视频！适合小白！
IMU和GPS ekf融合定位 从matlab到c++代码实现 基于位姿状态方程，松耦合 文档原创且详细
ROS系统下gazebo环境中，无人机结合目标跟踪算法（SiamCar），完成对物体的跟踪（可以是小车或者其他的），然后给出轨迹对比图等评估指标。 开发语言：python 仿真平台：PIXHAWK 运行环境：ros （建议Ubuntu18.04+ros melodic） 1、四旋翼无人机跟踪小车或其他 2、跟踪算法用siamcar 3、轨迹评估 确认无人机可以跟踪小车后，可做三个场景： 1.、小车直线运动无人机跟踪，在rviz上显示小车和无人机的运动轨迹（同时保存小车和无人机运动过程中的坐标位置） 2、小车转圈 3、两辆小车（一模一样的），一辆不动，另一辆作直线运动然后无人机跟踪并经过第一辆的旁边，显示轨迹，保存坐标。 提供：源码及技术文档
基于EKF的gps定位解算程序
该程序直接用EKF进行定位解算，可以扩展为各种动态模型，是学习EKF的好例子，是我的原创哦。
探索EKF算法在机器人轨迹定位中的神奇魅力
EKF算法做机器人轨迹定位/跟踪的程序，与里程计算法进行对比，结果显示EKF算法定位/跟踪精度更高。纯里程计的误差为Ekf定位的误差为在机器人领域，轨迹定位和跟踪可是至关重要的任务。想象一下，机器人要是连自己在哪、要往哪走都搞不清楚，那还怎么好好工作呢？今天咱就来聊聊EKF（扩展卡尔曼滤波）算法在机器人轨迹定位和跟踪里的表现，并且和传统的里程计算法做个对比。
EKF机器人定位-MATLAB.m
使用EKF算法（拓展卡尔曼滤波）来估计机器人的位置信息，并实现可视化展示。该EKF算法还与里程计模型和GPS模型估计进行对比，来判断其估计效果。（运行时记得把.m文件改成英文，否则无法运行）
【无人机定位】基于扩展卡尔曼滤波器 EKF实现三架无人机定位游，真实位置与估计位置 目标真实轨迹和目标预计轨迹 速度 加速度 方向误差Matlab实现
标准卡尔曼滤波方法是建立在线性系统和高斯分布两个假设条件之上的,然而绝大多数实际系统都存在一定程度的非线性,使得原本符合高斯分布的随机变量经非线性变换后不再满足高斯特性,导致卡尔曼滤波无法直接应用.
基于拓展卡尔曼滤波EKF的室内定位_Android
利用拓展卡尔曼滤波方法，基于WiFi信号RSSI实现室内定位和轨迹追踪，同时绘制轨迹图，相关数据存储在安卓数据库中，另外含有路径损耗估计算法和最小二乘算法，适合室内定位领域的研究生和感兴趣的读者下载。
EKF定位跟踪算法研究 (2009年)
为了处理机动目标跟踪过程中的非线性问题，提出了一种基于运动模型的扩展卡尔曼滤波（EKF）算法，该算法精度可以逼近最优估计，适用于任何可用状态空间模型表示的非线性系统。通过仿真表明利用运动模型的扩展卡尔曼滤波方法可以有效地抑制非视距误差（NLOS）对定位精度的影响,从而得到更高的定位跟踪效果。
【Python仿真】基于EKF的传感器融合定位
卡尔曼滤波（Kalman Filtering）是一种用于估计系统状态的递归滤波方法，广泛应用于信号处理、控制系统、机器人技术等领域。扩展卡尔曼滤波（Extended Kalman Filtering）是卡尔曼滤波的一个扩展版本，用于非线性系统的状态估计。在扩展卡尔曼滤波中，系统被建模为非线性动态系统，其中状态由一个非线性函数描述，并且状态的观测值受到高斯噪声的影响。扩展卡尔曼滤波通过线性化非线性函数来近似系统的动态特性，并利用卡尔曼滤波的递归算法来估计系统的状态。
Python高效转换病理图像：从mrxs到SVS的完整实践指南
本文提供了使用Python将数字病理切片从mrxs格式高效转换为SVS格式的完整实践指南。针对mrxs格式兼容性差的问题，文章详细解析了基于openslide和tifffile库的核心转换流程，并重点分享了应对大内存消耗的优化方案与流式处理技巧，确保转换后的SVS文件保留多分辨率金字塔结构，兼容主流病理分析工具。
水下机器人二维变速圆周运动的SBL定位EKF滤波仿真分析
水下机器人在水下想要获得定位信息目前主要是基于声学方式的长基线(LBL)、短基线(SBL)、超短基线(USBL)获得局部定位数据，还有通过地磁场或者重力场匹配导航的方式，这类方式目前仅限于军事领域。当然还有最近热门的水下SLAM定位导航的方式，需要借助图像声呐或者光学摄像头获取周围环境的特征进行同时建图与导航，这种方式不需要借助外部的信息即可实现定位，是目前的研究热点，但此类方式需要进行大量的计算，同时要求周围的水域有明显的特征（也称为landmark）才能获取更加准确的定位结果，技术难度较...
python sci sci-hub 爬论文
sci-hub 爬虫 后续加入对于时间的排序，下载最新文献 参考： https://www.guanjihuan.com/archives/6846 https://blog.youkuaiyun.com/czh2637750821/article/details/115508922
基于Simulink的直流电机双闭环调速系统抗扰动仿真与参数优化
本文详细介绍了基于Simulink的直流电机双闭环调速系统仿真与参数优化方法。通过构建转速外环与电流内环的仿真模型，阐述了利用工程设计法整定PI参数的核心步骤，并重点探讨了如何优化系统参数以增强其抗负载突变等扰动的能力，实现快速、平稳的调速性能。
基于EKF与里程计的机器人定位研究
里程计模型（Odometry）是机器人利用自身传感器（如轮速计或里程计）估计位姿的方法。简单来说，就是通过测量车轮的转速，计算机器人移动的距离和方向。这种方法的优点是计算简单、实时性强，但缺点是误差会随着时间累积，尤其是在地形复杂或传感器精度不足的情况下。基于EKF（拓展卡尔曼滤波器）与里程计算法的机器人定位的MATLAB程序使用EKF模型与里程计模型（Odometry）对机器人进行定位，定位的结果跟GPS定位的真实值作比较，验证两种算法的可行性。
Windows下MMdetection3D保姆级安装指南（含CUDA和PyTorch版本避坑）
本文提供Windows平台下MMdetection3D的完整安装指南，重点解决CUDA与PyTorch版本匹配问题。从环境准备到关键组件安装，详细介绍了CUDA Toolkit选择策略、PyTorch精准安装步骤，以及MM系列组件的安装顺序和常见错误解决方案，帮助用户顺利完成3D目标检测环境的配置。
Autoware 定位之EKF 滤波定位（四）
对于AutoWare，我们已经讲了很多了，从这一篇我们开始进入实战，按照《Autoware 技术代码解读（三）》梳理的顺序，我们一个个慢慢来看与学习，首先第一个就是基于ekf的滤波定位。扩展卡尔曼滤波定位器通过将二维车辆动力学模型与输入的自我姿态和自我扭矩信息进行整合，估计出鲁棒且噪音较小的机器人姿态和扭矩。
SFM(structure from motion 从运动恢复结构)和MVS(multi-view stereo 多视图立体视觉)
主要目的：SFM是重建稀疏点云的，MVS重建的是稠密点云。 输入的数据：SFM是没有标定的数据，而MVS输入的是标定的数据。 为什么SFM无法重建出稠密的点云，但是MVS可以？ SFM中我们用来做重建的点是由特征匹配提供的！这些匹配点天生不密集！MVS则几乎对照片中的每个像素点都进行匹配，几乎重建每一个像素点的三维坐标，这样得到的点的密集程度可以较接近图像为我们展示出的清晰度。 SFM和MVS关系 SFM给MVS算好了输入视角的位姿,内参,稀疏点云以及它们的共视关系,MVS再利用这些信息以及彩色图
TPAMI 2024 | MO-MIX：基于深度强化学习的多目标多智能体协同决策
深度强化学习（RL）已被广泛应用于解决复杂的决策问题。在许多现实世界的场景中，任务通常有多个相互冲突的目标，并且可能需要多个智能体进行合作，这些是多目标多智能体决策问题。然而，在这个交叉领域的研究工作还相对较少。现有的方法仅限于单独的领域，并且只能处理具有单一目标的多智能体决策，或者具有单一智能体的多目标决策。在本文中，我们提出了MO-MIX来解决多目标多智能体强化学习（MOMARL）问题。我们的方法基于集中训练与分散执行（CTDE）框架。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1136
扫一扫
