会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

卡尔曼滤波的原理

说起Kalman滤波器的历史，最早要追溯到17世纪，Roger Cotes开始研究最小均方问题。但由于缺少实际案例的支撑（那个时候哪来那么多雷达啊啥的这些信号啊），Cotes的研究让人看着显得很模糊，因此在估计理论的发展中影响很小。17世纪中叶，最小均方估计（Least squares Estimation）理论逐步完善，Tobias Mayer在1750年将其用于月球运动的估计，Leonard Euler在1749年、Pierre Laplace在1787分别用于木星和土星的运动估计。Roger Boscovich在1755用最小均方估计地球的大小。

  • 2022-01-12
  • 阅读107
  • 下载0
  • 11页
  • docx

水下机动目标跟踪技术

水下目标跟踪是海洋国土监视、反潜战等环境下的关键技术。以往的跟踪滤波算法主要基于卡尔曼滤波、扩展卡尔曼滤波等算法，这些方法实现比较复杂，滤波精度不高。最近出现了不敏卡尔曼滤波、粒子滤波、转换瑞利滤波、双多基地跟踪算法等，需要研究这些算法在水下目标跟踪中的性能。总结对比了国内外学者在此领域的研究成果，得出了这些滤波算法在水下目标跟踪中的优缺点。重点论述了纯角度跟踪和非线性滤波算法的发展、在水下目标跟踪中的应用以及多基地声纳跟踪水下目标技术的发展，回顾了机动目标跟踪和多目标数据互联算法。研究表明，非卡尔曼滤波算法能够更高精度地跟踪水下目标，双多基地声纳是今后发展的重点。为今后的研究提供参考。

  • 2022-01-12
  • 阅读126
  • 下载0
  • 9页
  • docx

同时定位与地图创建综述

SLAM包含两个主要任务，定位和建图。这是移动机器人自主完成作业任务需要解决的基本问题，特别是在未知环境的情况下，移动机器人既要确定自身在环境中的位姿，又要根据确定的位姿来创建所处环境的地图，这是一个相辅相成、不断迭代的过程。因此，SLAM问题是一个复杂的耦合问题，也可以被看作是先有鸡还是鸡蛋的问题[1]。

  • 2022-01-12
  • 阅读99
  • 下载0
  • 8页
  • docx

如何用卡尔曼滤波来做机器人目标追踪？

滤波，简要来说就是如何过滤掉收到干扰的信号。卡尔曼滤波所做的是从一堆观测数据中，去估计出真实数据样子。举一个简单的例子，就说机器人的目标追踪。人感知这个世界靠的是眼睛，机器人感知这个世界靠的是传感器。机器人通过传感器测量物体位置的时候，传感器可能带来测量误差。例如，之前的文章 如何使用高斯分布、高斯混合模型对机器人误差进行建模，我们很有可能由于遮挡、模型的精度不够导致我们测量的小球中心的位置会有些许误差。

  • 2022-01-12
  • 阅读114
  • 下载0
  • 9页
  • docx

目标跟踪系列——卡尔曼滤波

计算机视觉中的目标跟踪任务，最经典也最常用的一种算法就是卡尔曼滤波，究竟卡尔曼滤波是如何解决目标跟踪问题？本文我们从卡尔曼滤波的基本原理发出，走进算法内部的参数调优，最后用一个C++实现的车辆目标跟踪实例来分析此类目标跟踪算法的问题所在，以及优化方向。

  • 2022-01-12
  • 阅读105
  • 下载0
  • 9页
  • docx

卡尔曼滤波器介绍与理论分析

卡尔曼滤波常用于动态多变化系统中的状态估计，是一种通用性强的自回归滤波器。它的由来和NASA登月有关。其发明者鲁道夫.E.卡尔曼在一次访问NASA的时候，发现阿波罗计划中一个难点是轨道预测问题，因而提出了一种滤波器，可以帮助高效预测轨迹，辅助导航。NASA最终使用了这个滤波器，然后成功实现人类第一次登月计划。卡尔曼滤波器由此得名。

  • 2022-01-12
  • 阅读122
  • 下载0
  • 8页
  • docx

卡尔曼滤波在雷达目标跟踪中的应用仿真matlab源码

目标跟踪问题的应用背景是雷达数据处理，即雷达在搜索到目标并记录目标的位置数据，对测量到的目标位置数据（称为点迹）进行处理，自动形成航迹，并对目标在下一时刻的位置进行预测。本文简要讨论了用Kalman滤波方法对单个目标航迹进行预测，并借助于Matlab仿真工具，对实验的效果进行评估。

  • 2022-01-12
  • 阅读101
  • 下载0
  • 9页
  • docx

基于扩展卡尔曼滤波（EKF）的机器人状态估计

EKF的目的是使卡尔曼滤波器能够应用于机器人等非线性运动系统，EKF生成的状态估计比仅使用实际测量值更准确。在本文中，我们将简要介绍扩展卡尔曼滤波器，并了解传感器融合的工作原理。为了讨论EKF，我们将考虑一种机器人车（自驾车车辆在这种情况下）。如下图所示，我们可以在一个全局坐标系中为这辆车建模，坐标为：Xglobal、Yglobal和Zglobal（面朝上）。X_car和Y_car坐标属于以线速度（V）和角速度（ω）移动的车的坐标系。横向角（γ）测量汽车绕全局Z轴旋转的程度。

  • 2022-01-12
  • 阅读107
  • 下载0
  • 7页
  • docx