Используйте алгоритмы локализации и оценки позы для ориентации транспортного средства в среде. Оценка позы датчика использует фильтры для улучшения и объединения показаний датчика для IMU, GPS и других. Алгоритмы локализации, такие как локализация Монте-Карло и сопоставление сканирования, оценивают вашу позу на известной карте с помощью датчика дальности или показаний лидара. Графики поз отслеживают предполагаемые позы и могут быть оптимизированы на основе ограничений кромок и замыканий контуров. Для получения информации об одновременной локализации и сопоставлении см. SLAM.
Бинауральный звуковой рендеринг с помощью отслеживания головы
Отслеживание ориентации головы путем сплавления данных, полученных от IMU, и затем управление направлением прихода источника звука путем применения связанных с головой передаточных функций (HRTF).
Оценка ориентации посредством слияния инерциальных датчиков
В этом примере показано, как использовать 6-осевые и 9-осевые алгоритмы слияния для вычисления ориентации.
Согласование зарегистрированных данных датчиков для оценки ориентации
В этом примере показано, как выровнять и предварительно обработать записанные данные датчика.
Ориентация фильтра нижних частот с использованием кватерниона SLERP
В этом примере показано, как использовать сферическую линейную интерполяцию (SLERP) для создания последовательностей кватернионов и шумных траекторий фильтра нижних частот.
Оценка позы от асинхронных датчиков
В этом примере показано, как можно сплавить датчики с различной скоростью для оценки позы.
Выбор фильтров слияния инерционных датчиков
Применимость и ограничения интегральных фильтров инерциальных датчиков.
Оценка ориентации с помощью дополнительного фильтра и данных IMU
В этом примере показано, как передавать данные IMU из Arduino и оценивать ориентацию с помощью дополнительного фильтра.
Оценка ориентации с использованием слияния и MPU-9250 инерционных датчиков
В этом примере показано, как получить данные от датчика InvenSense MPU-9250 IMU и использовать 6-осевые и 9-осевые алгоритмы слияния в данных датчика для вычисления ориентации устройства.
Беспроводная потоковая передача данных и слияние датчиков с помощью BNO055
Этот пример показывает, 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 Fusion Filters
Используйте tune функция оптимизации шумовых параметров нескольких фильтров синтеза, включая ahrsfilter объект.
Локализация TurtleBot с помощью локализации Monte Carlo
В этом примере показано применение алгоритма локализации Монте-Карло (MCL) к TurtleBot ® в моделируемой среде Gazebo ®.
Создание серии лазерных сканирований с изменениями позы
Используйте matchScans функция для вычисления разности позы между сериями лазерных сканирований.
Минимизация диапазона поиска при сопоставлении Lidar Scan на основе сетки с помощью IMU
В этом примере показано, как использовать инерциальный измерительный блок (IMU) для минимизации диапазона поиска угла поворота для алгоритмов сопоставления сканирования.
Уменьшение дрейфа в 3-D траектории визуальной одометрии с помощью графиков позы
В этом примере показано, как уменьшить дрейф в расчетной траектории (местоположение и ориентация) монокулярной камеры с помощью оптимизации графика 3-D позы.
Алгоритм локализации Монте-Карло
Алгоритм локализации Монте-Карло (MCL) используется для оценки положения и ориентации робота.
Для использования stateEstimatorPF (Robotics System Toolbox) фильтр частиц, необходимо указать такие параметры, как количество частиц, начальное местоположение частиц и метод оценки состояния.
Рабочий процесс фильтра частиц
Фильтр частиц - рекурсивный, байесовский оценщик состояния, использующий дискретные частицы для аппроксимации заднего распределения оценочного состояния.
