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 сопоставление сканов, оценивают ваше положение в известной карте с помощью датчика области значений или лоцируют показания. Графики положения отслеживают ваши предполагаемые положения и могут быть оптимизированы на основе ограничений ребра и закрытий цикла. Для одновременной локализации и картографии смотрите SLAM.
Функции
Темы
Fusion датчика
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.
Выберите Inertial Sensor Fusion Filters
Применимость и ограничения инерционных фильтров Fusion датчика.
Оцените ориентацию с дополнительным фильтром и данными IMU
В этом примере показано, как передать данные IMU потоком из Arduino и оценочной ориентации с помощью дополнительного фильтра.
Оценка ориентации Используя инерционный Fusion датчика и MPU-9250
В этом примере показано, как получить данные из датчика InvenSense MPU-9250 IMU и использовать алгоритмы сплава с 9 осями и с 6 осями в данных о датчике, чтобы вычислить ориентацию устройства.
Автоматическая Настройка Фильтра insfilterAsync
insfilterAsync объектом является расширенный Фильтр Калмана комплекса, который оценивает положение устройства.
Алгоритмы локализации
Локализуйте TurtleBot Используя локализацию Монте-Карло
Этот пример демонстрирует применение алгоритма Локализации Монте-Карло (MCL) на TurtleBot® в симулированной среде Gazebo®.
Составьте ряд лазерных сканов с изменениями положения
Используйте matchScans функция, чтобы вычислить различие в положении между рядом лазерных сканов.
В этом примере показано, как использовать инерциальный измерительный блок (IMU), чтобы минимизировать поисковую область значений угла поворота для алгоритмов сопоставления сканов.
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.
Алгоритм локализации Монте-Карло
Алгоритм Локализации Монте-Карло (MCL) используется, чтобы оценить положение и ориентацию робота.
Использовать stateEstimatorPF (Robotics System Toolbox) фильтр частиц, необходимо задать параметры, такие как количество частиц, начального местоположения частицы и метода оценки состояния.
Рабочий процесс фильтра частиц
Фильтр частиц является рекурсивным, Байесовым средством оценки состояния, которое использует дискретные частицы, чтобы аппроксимировать апостериорное распределение предполагаемого состояния.
