Локализация и оценка положения
Используйте локализацию и алгоритмы оценки положения, чтобы ориентировать ваше транспортное средство в вашей среде. Оценка положения датчика использует фильтры, чтобы улучшить и объединить показания датчика для IMU, GPS и других. Алгоритмы локализации, как локализация Монте-Карло и соответствие сканирования, оценивают ваше положение в известной карте с помощью датчика области значений или лоцируют показания. Позируйте графики отслеживают ваши предполагаемые положения и могут быть оптимизированы на основе ограничений ребра и закрытий цикла. Для одновременной локализации и отображения, смотрите SLAM.
Функции
Темы
Оцените ориентацию через инерционный Fusion датчика
В этом примере показано, как использовать алгоритмы сплава с 9 осями и с 6 осями, чтобы вычислить ориентацию.
Регистрируемое выравнивание данных о датчике для оценки ориентации
В этом примере показано, как выровнять и предварительно обработать регистрируемые данные о датчике.
Ориентация фильтра lowpass Используя кватернион SLERP
В этом примере показано, как использовать сферическую линейную интерполяцию (SLERP), чтобы создать последовательности кватернионов, и lowpass фильтруют шумные траектории.
Изложите оценку от асинхронных датчиков
В этом примере показано, как вы можете плавить датчики на различных уровнях, чтобы оценить положение.
Составьте серию лазерных сканирований с изменениями положения
Используйте matchScans функция, чтобы вычислить различие в положении между серией лазерных сканирований.
Рабочий процесс фильтра частиц
Фильтр частиц является рекурсивным, Байесовым средством оценки состояния, которое использует дискретные частицы, чтобы аппроксимировать апостериорное распределение предполагаемого состояния.
Использовать stateEstimatorPF фильтр частиц, необходимо задать параметры, такие как количество частиц, начального местоположения частицы и метода оценки состояния.
Алгоритм локализации Монте-Карло
Алгоритм Локализации Монте-Карло (MCL) используется, чтобы оценить положение и ориентацию робота.
Уменьшайте дрейф в 3-D визуальной траектории одометрии Используя графики положения
В этом примере показано, как уменьшать дрейф в предполагаемой траектории (местоположение и ориентация) монокулярной камеры с помощью 3-D оптимизации графика положения.
