相当于IMU ,GPS,气压计,光流 这些都是作为观测器,起修正作用,可以建立观测方程。

本文主要是介绍相当于IMU ,GPS,气压计,光流 这些都是作为观测器,起修正作用,可以建立观测方程。,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

相当于IMU ,GPS,气压计这些都是作为观测器,起修正作用,可以建立观测方程。

视觉里程计好像也是的。视觉里程计的频率也是低于IMU的,所以我有个疑问来了,视觉里程计和IMU的融合是不是和GPS和IMU的融合比较类似?当然是基于滤波的融合,不是基于优化的话。以前的基于EKF的VSLAM是不是这种思路?

VSLAM里面观察到特征点也应该是一种观测,就像高翔这里说的,

一种是蒙着眼睛走路,一种是走记录睁开眼睛看一下,这看一下就是观测,这走几步可以看做IMU的积分,所以怪不得SLAM讲IMU预积分!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

这视觉里程计就相当于对IMU的观测。对IMU的修正,基于这个原理自己都可以写出一个VSLAM了。这种理清本质的感觉还是挺好的。感觉多传感器融合  SLAM本质就是一家啊。所以啊我现在感觉会VSLAM的人自然也会多传感器融合。多传感器融合有滤波和优化,SLAM后端也是的,对不对。

https://blog.csdn.net/sinat_16643223/article/details/119631878

https://blog.csdn.net/sinat_16643223/article/details/119566929

https://blog.csdn.net/u011992534/article/details/78257684

https://download.csdn.net/download/u011992534/12263504?utm_medium=distribute.pc_relevant_t0.none-task-download-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base&depth_1-utm_source=distribute.pc_relevant_t0.none-task-download-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base

 https://zhuanlan.zhihu.com/p/60207971

一个叫预测阶段,一个叫更新阶段,似乎卡尔曼滤波就是这样子的啊

https://blog.csdn.net/sinat_16643223/article/details/118873863

可以看到王龙写GPS水平融合IMU本质和告诉气压计融合IMU一样,他说只不过把观测期间转换成了GPS

https://blog.csdn.net/wkdwl/article/details/52203099?spm=1001.2014.3001.5501

 

现在看这篇文档就看得懂了

GPS ,气压计,光流,都是作为观测进行更新的。看来写个光流惯导的融合也不难?和GPS和惯导的融合差不多?

https://download.csdn.net/download/u010307048/11670578?utm_medium=distribute.pc_relevant.none-task-download-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base&depth_1-utm_source=distribute.pc_relevant.none-task-download-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base

 这里面说的传播应该是指预测阶段,更新就是指更新阶段。预测阶段基本是靠IMU。

EKF2_AID_MASK不是有很多个选项可以选择融么,PX4应该是有一个融合框架,或者提前写好了

有必要把PX4的EKF2弄明白

高度也是的,现在知道为什么参数名称里面有一个EKF2了!!!!

还是说像那个做多传感器融合什么EKF框架的一个什么一样?

多传感器卡尔曼融合框架 Ethzasl MSF Framework

PX4用户指南有EKF2这方面的说明,还是讲得非常详细的。

http://docs.px4.io/master/zh/advanced_config/tuning_the_ecl_ekf.html

 

这篇博文写的就符合我用卡尔曼滤波的思想来理解SLAM,来做SLAM。

https://blog.csdn.net/tiancailx/article/details/78789253

 

https://zhuanlan.zhihu.com/p/45207081

看了下《概率机器人》里面确实有一节说  通用EKF SLAM算法

这种打通让人感受到一种美
之前看过的种种东西现在都联系到了一起,成为一体。

我记得之前见过一个人写的一篇博客,写的他对SLAM的理解,本质是什么,现在很想找出来看看。

这篇关于相当于IMU ,GPS,气压计,光流 这些都是作为观测器,起修正作用,可以建立观测方程。的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/506859

相关文章

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

建立升序链表

题目1181:遍历链表 时间限制:1 秒 内存限制:32 兆 特殊判题:否 提交:2744 解决:1186 题目描述: 建立一个升序链表并遍历输出。 输入: 输入的每个案例中第一行包括1个整数:n(1<=n<=1000),接下来的一行包括n个整数。 输出: 可能有多组测试数据,对于每组数据, 将n个整数建立升序链表,之后遍历链表并输出。 样例输

Android fill_parent、match_parent、wrap_content三者的作用及区别

这三个属性都是用来适应视图的水平或者垂直大小,以视图的内容或尺寸为基础的布局,比精确的指定视图的范围更加方便。 1、fill_parent 设置一个视图的布局为fill_parent将强制性的使视图扩展至它父元素的大小 2、match_parent 和fill_parent一样,从字面上的意思match_parent更贴切一些,于是从2.2开始,两个属性都可以使用,但2.3版本以后的建议使

maven发布项目到私服-snapshot快照库和release发布库的区别和作用及maven常用命令

maven发布项目到私服-snapshot快照库和release发布库的区别和作用及maven常用命令 在日常的工作中由于各种原因,会出现这样一种情况,某些项目并没有打包至mvnrepository。如果采用原始直接打包放到lib目录的方式进行处理,便对项目的管理带来一些不必要的麻烦。例如版本升级后需要重新打包并,替换原有jar包等等一些额外的工作量和麻烦。为了避免这些不必要的麻烦,通常我们

未来工作趋势:零工小程序在共享经济中的作用

经济在不断发展的同时,科技也在飞速发展。零工经济作为一种新兴的工作模式,正在全球范围内迅速崛起。特别是在中国,随着数字经济的蓬勃发展和共享经济模式的深入推广,零工小程序在促进就业、提升资源利用效率方面显示出了巨大的潜力和价值。 一、零工经济的定义及现状 零工经济是指通过临时性、自由职业或项目制的工作形式,利用互联网平台快速匹配供需双方的新型经济模式。这种模式打破了传统全职工作的界限,为劳动

Science|癌症中三级淋巴结构的免疫调节作用与治疗潜力|顶刊精析·24-09-08

小罗碎碎念 Science文献精析 今天精析的这一篇综述,于2022-01-07发表于Science,主要讨论了癌症中的三级淋巴结构(Tertiary Lymphoid Structures, TLS)及其在肿瘤免疫反应中的作用。 作者类型作者姓名单位名称(中文)通讯作者介绍第一作者Ton N. Schumacher荷兰癌症研究所通讯作者之一通讯作者Daniela S. Thomm

图解可观测Metrics, tracing, and logging

最近在看Gophercon大会PPT的时候无意中看到了关于Metrics,Tracing和Logging相关的一篇文章,凑巧这些我基本都接触过,也是去年后半年到现在一直在做和研究的东西。从去年的关于Metrics的goappmonitor,到今年在排查问题时脑洞的基于log全链路(Tracing)追踪系统的设计,正好是对这三个话题的实践。这不禁让我对它们的关系进行思考:Metrics和Loggi

j2EE通用jar包的作用

原文:http://blog.sina.com.cn/s/blog_610901710101kx37.html IKIKAnalyzer3.2.8.jar // 分词器 ant-junit4.jar // ant junit antlr-2.7.6.jar // 没有此包,hibernate不会执行hql语句。并且会报NoClassDefFoundError: antlr

【vue3|第28期】 Vue3 + Vue Router:探索路由重定向的使用与作用

日期:2024年9月8日 作者:Commas 签名:(ง •_•)ง 积跬步以致千里,积小流以成江海…… 注释:如果您觉在这里插入代码片得有所帮助,帮忙点个赞,也可以关注我,我们一起成长;如果有不对的地方,还望各位大佬不吝赐教,谢谢^ - ^ 1.01365 = 37.7834;0.99365 = 0.0255 1.02365 = 1377.4083;0.98365 = 0.0006 说

用Python实现时间序列模型实战——Day 14: 向量自回归模型 (VAR) 与向量误差修正模型 (VECM)

一、学习内容 1. 向量自回归模型 (VAR) 的基本概念与应用 向量自回归模型 (VAR) 是多元时间序列分析中的一种模型,用于捕捉多个变量之间的相互依赖关系。与单变量自回归模型不同,VAR 模型将多个时间序列作为向量输入,同时对这些变量进行回归分析。 VAR 模型的一般形式为: 其中: ​ 是时间  的变量向量。 是常数向量。​ 是每个时间滞后的回归系数矩阵。​ 是误差项向量,假