在移动机器人导航方面，卡尔曼滤波是最常用的状态估计方法。
直观上来讲，卡尔曼滤波器在这里起了数据融合的作用，只需要输入当前的测量值（多个传感器数据）和上一个周期的估计值就能估计当前的状态，这个估计出来的当前状态综合考量了传感器数据（即所谓的观察值、测量值）和上一状态的数据，为当前最优估计，可以认为这个估计出来的值是最可靠的值。
由于我们在SLAM中主要用它做位置估计，所以前面所谓的估计值就是估计位置坐标了，而输入的传感器数据包括码盘推算的位置、陀螺仪的角速度等（当然可以有多个陀螺仪和码盘），最后输出的最优估计用来作为机器人的当前位置被导航算法以外的其他程序所调用。
直观上来讲，卡尔曼滤波器在这里起了数据融合的作用，只需要输入当前的测量值（多个传感器数据）和上一个周期的估计值就能估计当前的状态，这个估计出来的当前状态综合考量了传感器数据（即所谓的观察值、测量值）和上一状态的数据，为当前最优估计，可以认为这个估计出来的值是最可靠的值。
由于我们在SLAM中主要用它做位置估计，所以前面所谓的估计值就是估计位置坐标了，而输入的传感器数据包括码盘推算的位置、陀螺仪的角速度等（当然可以有多个陀螺仪和码盘），最后输出的最优估计用来作为机器人的当前位置被导航算法以外的其他程序所调用。
2025/5/26 18:16:57
128KB
1
针对智能交通系统中交通基础数据当前提取方式较匮乏的问题，提出了一种利用交通视频基于改进卡尔曼滤波的交通信息采集方法。
首先，分析混合高斯模型在多车辆运动目标检测时易出现噪点、目标断裂、空洞等问题，提出了一种启发式改进方法；
在获得检测结果的基础上，针对连续视频帧中多目标的确定问题，结合卡尔曼滤波和车辆运动特征，利用卡尔曼滤波对车辆位置进行最优估计，继而对前景目标进行启发式算法处理，提出了一种交通量实时检测方法；
最后，实验结果表明文章方法能够有效改善多车辆目标检测中的噪声干扰和前景虚化问题。
首先，分析混合高斯模型在多车辆运动目标检测时易出现噪点、目标断裂、空洞等问题，提出了一种启发式改进方法；
在获得检测结果的基础上，针对连续视频帧中多目标的确定问题，结合卡尔曼滤波和车辆运动特征，利用卡尔曼滤波对车辆位置进行最优估计，继而对前景目标进行启发式算法处理，提出了一种交通量实时检测方法；
最后，实验结果表明文章方法能够有效改善多车辆目标检测中的噪声干扰和前景虚化问题。
2024/6/16 8:03:38
3KB
1
本文首先介绍了GPS系统组成，在此基础上介绍了其定位的基本原理，然后通过对载体的运动进行动态建模将卡尔曼最优估计理论引入导航定位系统中，解决了滤波器的发散，非线性系统的线性化等一些常见问题，提高了系统的定位精度，并对卡尔曼滤波进行自适应的改进，进一步提高了其精确度和稳定性。
接着讨论了GPS定位的误差源和它们对定位精度的影响，并分析了怎样改进定位性能，并对GPS完整性进行了研究，在对卫星导航系统中现有RAIM算法进行研究的基础上，讨论了故障卫星的探测与分离方法，提出了一种新的有效的探测和分离故障卫星的方法。
文章的最后通过对整个定位过程进行仿真，对比了最小二乘算法和卡尔曼滤波算法的定位、测速精度以及其动态性能，并对所提出的新的RAIM算法进行了仿真，仿真结果表明了该算法的正确性及实用性。
接着讨论了GPS定位的误差源和它们对定位精度的影响，并分析了怎样改进定位性能，并对GPS完整性进行了研究，在对卫星导航系统中现有RAIM算法进行研究的基础上，讨论了故障卫星的探测与分离方法，提出了一种新的有效的探测和分离故障卫星的方法。
文章的最后通过对整个定位过程进行仿真，对比了最小二乘算法和卡尔曼滤波算法的定位、测速精度以及其动态性能，并对所提出的新的RAIM算法进行了仿真，仿真结果表明了该算法的正确性及实用性。
2024/5/16 2:35:30
2.63MB
1
对LLE降维算法中的邻域以及维度进行估计，得到最优的参数，并附带参考文献可以学习，其中包含两份matlab代码可以使用
2023/12/3 22:07:45
544KB
1
给定磁罗盘、GPS、里程计等信息，进行组合导航数据融合。
采用kalman滤波方法。
包含报告和程序。
采用kalman滤波方法。
包含报告和程序。
2023/11/24 1:49:26
917KB
1
1某系统的非线性形态方程和观测方程分别如式（1-1）和（1-2）所示。
系统的一维形态变量为，观测变量为，是方差为10.0的零均值高斯白噪声，是方差为1.0的零均值高斯白噪声。
试利用扩展卡尔曼滤波理论求出的最优估计。
要求：（1）利用Matlab或Python编写仿真程序。
（2）在同一张图中，给出的真值和估计值曲线。
（3）给出的真值与估计值之间的误差曲线变化图，并求出误差的均值和方差。
（4）对滤波效果进行分析。
系统的一维形态变量为，观测变量为，是方差为10.0的零均值高斯白噪声，是方差为1.0的零均值高斯白噪声。
试利用扩展卡尔曼滤波理论求出的最优估计。
要求：（1）利用Matlab或Python编写仿真程序。
（2）在同一张图中，给出的真值和估计值曲线。
（3）给出的真值与估计值之间的误差曲线变化图，并求出误差的均值和方差。
（4）对滤波效果进行分析。
2023/3/20 9:05:05
1KB
1
某物体在XY平面做运动，采样周期为1s，该运动系统的形态方程如式(2-1)所示，其中,为系统的形态向量，各形态变量对应地分别表示方向的位置、方向速度、方向的位置、方向的速度。
为零均值高斯白噪声,。
采用方位角传感器测量运动系统的方位角，作为系统的输出。
系统的输出方程如式（2-2）所示：其中是零均值高斯白噪声，。
假设系统的初始形态,，=0.02。
试利用扩展卡尔曼滤波理论求出的最优估计。
要求：（1）利用Matlab或Python编写仿真程序。
（2）给出各形态变量的真值和估计值曲线变化图。
（3）分别给出的真值与估计值之间的误差曲线变化图，并求出误差的均值和方差。
（4）对滤波效果进行分析。
为零均值高斯白噪声,。
采用方位角传感器测量运动系统的方位角，作为系统的输出。
系统的输出方程如式（2-2）所示：其中是零均值高斯白噪声，。
假设系统的初始形态,，=0.02。
试利用扩展卡尔曼滤波理论求出的最优估计。
要求：（1）利用Matlab或Python编写仿真程序。
（2）给出各形态变量的真值和估计值曲线变化图。
（3）分别给出的真值与估计值之间的误差曲线变化图，并求出误差的均值和方差。
（4）对滤波效果进行分析。
2022/9/3 19:55:27
4KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB