Локализация и оценка положения

Инерционная навигация, оценка положения, сопоставление сканов, локализация Монте-Карло

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

развернуть все

ahrsfilterОриентация от акселерометра, гироскопа и показаний магнитометра
ahrs10filterВысота и ориентация от MARG и показаний высотомера
complementaryFilterОценка ориентации от дополнительного фильтра
ecompassОриентация от показаний магнитометра и акселерометра
imufilterОриентация от акселерометра и показаний гироскопа
insfilterСоздайте инерционный фильтр навигации
insfilterAsyncОцените положение от асинхронного MARG и данных о GPS
insfilterErrorStateОцените положение от IMU, GPS и данных о монокулярной визуальной одометрии (MVO)
insfilterMARGОцените положение из данных о GPS и MARG
insfilterNonholonomicОцените положение с неголономными ограничениями
tunerconfigПараметры конфигурации тюнера фильтра Fusion
tunerPlotPoseПостройте оценки положения фильтра во время настройки
stateEstimatorPFСоздайте средство оценки состояния фильтра частиц
getStateEstimateИзвлечение лучше всего утверждает оценку и ковариацию от частиц
predictПредскажите состояние робота в следующем временном шаге
correctНастройте оценку состояния на основе измерения датчика
matchScansОцените положение между двумя лазерными сканами
matchScansGridОцените положение между двумя сканами лидара с помощью основанного на сетке поиска
matchScansLineОцените положение между двумя лазерными сканами использующие функции линии
transformScanПреобразуйте лазерный скан на основе относительного положения
lidarScanСоздайте объект для хранения 2D скана лидара
monteCarloLocalizationЛокализуйте робота с помощью данных о датчике области значений и карты
lidarScanСоздайте объект для хранения 2D скана лидара
getParticlesПолучите частицы из алгоритма локализации
odometryMotionModelСоздайте модель движения одометрии
likelihoodFieldSensorModelСоздайте полевую модель датчика области значений вероятности
resamplingPolicyPFСоздайте объект политики передискретизации с передискретизацией настроек
poseGraph Создайте 2D график положения
poseGraph3D Создайте 3-D график положения
addPointLandmarkДобавьте узел поворотного момента в график положения
addRelativePoseДобавьте относительное положение в график положения
edgeNodePairsПары узла ребра в графике положения
edgeConstraintsОграничения ребра в графике положения
edgeResidualErrorsВычислите остаточные ошибки ребра графика положения
findEdgeIDНайдите ID ребра ребра
nodeEstimatesПоложения узлов в графике положения
optimizePoseGraphОптимизируйте узлы в графике положения
removeEdgesУдалите ребра закрытия цикла из графика
showПостройте график положения
trimLoopClosuresОптимизируйте график положения и удалите плохие закрытия цикла
wheelEncoderOdometryAckermannВычислите одометрию транспортного средства Акерманна с помощью меток деления энкодера колеса и регулировав угол
wheelEncoderOdometryBicycleВычислите велосипедную одометрию с помощью меток деления энкодера колеса и регулировав угол
wheelEncoderOdometryDifferentialDriveВычислите одометрию транспортного средства дифференциального диска с помощью меток деления энкодера колеса
wheelEncoderOdometryUnicycleВычислите одометрию одноколесного велосипеда с помощью меток деления энкодера колеса и скорости вращения

Темы

Fusion датчика

Бинауральный рендеринг аудио Используя расположение виртуальной камеры внутри сцены

Отследите главную ориентацию путем объединения данных, полученных от IMU, и затем управляйте направлением прибытия источника звука путем применения функций моделирования восприятия звука (HRTF).

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.

Беспроводной Fusion потоковой передачи и датчика данных Используя BNO055

В этом примере показано, как получить данные от датчика BNO055 IMU Bosch до модуля HC-05 Bluetooth® и использовать алгоритм сплава AHRS с 9 осями на данных о датчике, чтобы вычислить ориентацию устройства.

Пользовательская настройка фильтров Fusion

Используйте tune функция, чтобы оптимизировать шумовые параметры нескольких фильтров сплава, включая ahrsfilter объект.

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.

Минимизируйте поисковую область значений в основанном на сетке соответствии скана лидара Используя IMU

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.

Параметры фильтра частиц

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.

Рекомендуемые примеры

Для просмотра документации необходимо авторизоваться на сайте