- 博客(5)
- 收藏
- 关注
RSS订阅原创 概率数据关联：多目标跟踪的基石算法
1. 为什么需要概率数据关联？2. 核心思想与假设条件3. 算法核心：概率分配与状态更新4. 典型应用场景与优势5. 挑战与改进方向6. 下期预告
2025-04-05 08:45:15
303
原创 粒子滤波：非高斯环境下的鲁棒状态估计
传统卡尔曼滤波家族（EKF/UKF）依赖高斯分布假设和线性化近似，在以下场景中存在固有缺陷：- 非高斯噪声：如突发脉冲噪声、多模态分布噪声- 强非线性系统：如混沌系统、离散跳跃过程- 高维状态空间：如多目标跟踪、图像序列分析
2025-04-04 13:39:13
536
原创 无迹卡尔曼滤波（UKF）：非线性系统的高效估计方法
具体而言，UKF 通过选取一组 sigma 点（确定性采样点）来捕获状态分布的均值和协方差，利用非线性函数直接传播这些点，再通过加权统计得到新的均值和协方差。例如，在无人机大角度机动或机器人高维动力学建模中，非线性函数的高阶项会导致线性化误差显著增大，甚至引发滤波发散。在无人机飞行中，非线性的运动学方程（如四元数姿态更新）和传感器噪声（如陀螺仪漂移）会导致 EKF 估计精度下降。尽管无迹卡尔曼滤波在非线性估计中表现出色，但其对高斯噪声的依赖和计算复杂度限制了在非高斯环境中的应用。
2025-04-04 08:47:28
459
原创 扩展卡尔曼滤波：解锁非线性系统的状态估计密码
目录为什么需要扩展卡尔曼滤波，与卡尔曼滤波的区别？扩展卡尔曼滤波的三大前提条件算法核心目标跟踪中的典型应用场景下期预告。
2025-04-03 15:45:00
978
原创 卡尔曼滤波从入门到实践：理解目标跟踪的核心算法
卡尔曼滤波通过最优估计理论，创造性地将系统模型预测与传感器观测有机融合。以自动驾驶为例，该算法能将摄像头、激光雷达和 GPS 数据实时融合，实现厘米级轨迹预测，为决策系统争取宝贵的 200ms 反应时间。
2025-04-03 11:20:32
491
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人