用俗话讲讲卡尔曼滤波与粒子滤波

非线性滤波算法对比仿真:EKF、UKF与粒子滤波的工程选型与Matlab实现 状态估计是目标跟踪与导航系统的基础,而实际系统的非线性特征使得经典卡尔曼滤波难以直接应用。为应对非线性量测模型,工程上常采用扩展卡尔曼滤波、无迹卡尔曼滤波与粒子滤波三类算法。EKF通过一阶泰勒展开线性化,计算高效但强非线性下易发散;UKF利用sigma点采样逼近状态分布,在精度与计算量间取得良好平衡;PF则以随机粒子模拟任意概率分布,理论最优但计算代价高。理解三者的原理与适用边界,对构建稳健的滤波方案至关重要。在雷达、声呐及自动驾驶感知等典型场景中,距离-方位角模型是检验算法性能的经典基准。本文将仿真项目为 阅读详情

一,卡尔曼滤波

卡尔曼滤波可以根据一些已知的量来预测未知的量,这些量受到的干扰必须得近似高斯噪声。这个东西可以用来干什么呢?例如我们可以用来预测明天,后天,未来好几天的温度。我们可以在前几天用温度计记录下一系列的温度数据作为我们未来预测的参考数据之一,然后我们根据一年四季的温度变化作为参考数据之二,我们给这2个参考数据各加一个权重综合起来预测未来的温度。如果前几天记录下来的数据与真实温度很切合(毕竟温度计也是有误差),我们就把它的权重加大。用这个方法卡尔曼先生对近期未来的数据的预测还是很精确的,只要我们的数据只受到高斯噪声的干扰。

我想起来我以前做过的一个项目,基于KINECT的实时三维地图构建与位姿估计,其中摄像头的位姿估计就用到了卡尔曼滤波算法,我们在三维地图中画出了估计出来的摄像头朝向,是怎么做到的呢?我们用了大约10秒钟的标定数据,即让摄像头做上下左右位移,这个过程大约10秒,10秒之后再打开所有的程序,这10秒就是用来参考的历史数据,我们捕捉画面中观察到了向上,向下的矢量运动(这个用仿射变换就能搞定),然后我们就知道了怎样的矢量方向表示摄像头在向上运动,怎样的矢量表示摄像头在向下等等,这样我们就能在只捕捉画面中的的移动矢量就能用卡尔曼滤波算法估计出此时此刻摄像头的正确朝向。

这样我们就在没有惯导单元的情况下成功知道了摄像头的旋转、移动状态,是不是很酷!


二,粒子滤波

  粒子滤波算法源于蒙特卡洛思想,即以某事件出现的频率来指代该事件的概率。通俗的讲,粒子滤波也是能用已知的一些数据预测未来的数据,但是粒子滤波可以不局限于高斯噪声,原理上粒子滤波可以驾驭所有的非线性、非高斯系统。粒子滤波还广泛运用与各种军事领域,对于上述的哪个SLAM项目于是同样驾驭。

举个栗子,假设美帝的爱国者防空导弹里面的程序用的是粒子滤波。三胖某天闲来无事射个导弹过去玩玩,导弹在刚出朝鲜领土时就被美帝的卫星间谍发现,卫星间谍神情高度紧张,它的程序虚拟出来一块包含朝鲜与美国的巨大立体三维空间,在这个空间中加入地球大气阻力系数,地心引力等等参数。然后顺手撒了一把沙子,并给这些沙子赋予初始动量,和模拟导弹质量与外观的系数。这些沙子开始在空间中从朝鲜向着美帝飞去,刚刚进入太平洋的时候,位于夏威夷军事基地上的爱国者导弹发射了,它朝着太平洋中心飞去,因为程序中的那一大堆沙子构成的轨迹最多最粗的那一根10分钟后要经过太平洋中心的一个点。10分钟后2个导弹在太平洋中心相遇了,粒子滤波成功预测了导弹的轨迹。

   写 粒子滤波代码的5个步骤:

     在粒子滤波过程中,X(t)实际上是通过对大量粒子的状态进行处理得到的。

    1)初始状态:用大量粒子模拟X(t),粒子在空间内均匀分布;

    2)预测阶段:根据状态转移方程,每一个粒子得到一个预测粒子;

    3)校正阶段:对预测粒子进行评价,越接近于真实状态的粒子,其权重越大;

    4)重采样:根据粒子权重对粒子进行筛选,筛选过程中,既要大量保留权重大的粒子,又要有一小部分权重小的粒子;

    5)滤波:将重采样后的粒子带入状态转移方程得到新的预测粒子,即步骤2。


信号处理算法仿真:粒子滤波算法_(3).粒子滤波与卡尔曼滤波的比较 卡尔曼滤波:适用于线性高斯系统,计算复杂度低,实时性好,但对模型假设敏感。粒子滤波:适用于非线性非高斯系统,计算复杂度高,鲁棒性强,适用于复杂和不确定的环境。选择哪种滤波方法取决于系统的具体特性,如线性与非线性、高斯与非高斯噪声、计算资源和实时性要求等。在实际应用中,可以根据这些因素综合考虑,选择最合适的滤波方法。 阅读详情

相关推荐

WRF后处理总结:wrf-python与NCL在WRF后处理中的基本应用——变量提取、计算与可视化

判断需要提取的变量与诊断量确定后,使用getvar函数进行提取。可使用ncdump-h命令查看wrfout中的变量,wrf中的诊断量分类也可从官方文档处查阅。判断绘图类型所需的可视化绘图类型,决定了你在WRF后处理中的计算步骤。1D点线图:ll_to_xy interpline2D填色图:interplevel3D剖面图:vinterp vertcross绘图、美化色标、XY轴、标签的设置等等。

weixin_43750300的博客 1万+

卡尔曼滤波与粒子滤波比较

在状态估计中,如何从噪声

Robotics empowers the future. 1万+

如何从零开始写小程序

看了这篇文章,即使让我现在就从头写一个能够正常运行的小程序,也没有原本想象中的那么难了。 在本文中,我们将会以一个具体的小程序为例,带领大家从零到一完成一个小程序的开发流程,并将这个小程序上传到 FinClip.com 进行小程序提审与上架操作。 我们新建了一个叫做「HelloWorld」的小程序,FIDE 在初始化小程序项目时,会自动在项目目录中补充对应所需要的项目文件。那不妨让我们先从小程序目录下的配置文件开始,逐渐揭开小程序的面纱。 使用 FIDE 编辑小程序 1. 认识 json 文件 在小程序项目

POHOU23的博客 4398

【转】粒子滤波简介以及相关技术探讨

之前一直在做移动机器人定位算法。查来查去,发觉粒子滤波算法(又叫MC算法)应该算是最流行的了。因此开始学习使用之。入手的是本英文书叫“probalistic robotic” 很不错,我所见到的讲得最好的一本书。花了大量时间去研读。在这里我想谈谈我对粒子滤波的一点认识。因为在这一领域算是个新手。希望有前辈或者达人来指正我的想法。也希望我的这篇文章对新手有理解他有所帮助(当初我就很是苦于它难于理

volkswageos的专栏 2087

2、TCGA数据处理(差异分析前处理)

注意:1、是R语言中用于读取文本文件并创建数据框的函数。它可以从文本文件中读取数据并将其存储为数据框的形式,每一列代表一个变量,每一行代表一个观察值。2、括号要成对,不能少了;3、file = 'TCGA-LIHC.htseq_counts.tsv'引号可以是单或双引号,建议单;4、逗号主要中英文,都是用英文模式才没错;5、.tsv文件类型必须要有,不能删除,否则读不进来;6、上面代码将TCGA-LIHC.htseq_counts.tsv文件读入并赋值给count1。

PLW_12的博客 2672

立创开源:基于STM32F103与ADS1256的六维力传感器低成本实现方案

本文详细介绍了一种基于STM32F103微控制器与ADS1256高精度ADC的低成本六维力传感器实现方案。该方案通过3D打印的六梁弹性体结构结合应变片,将多维力信号转换为电信号,并由24位ADC进行高精度采集。文章涵盖了硬件选型、电路设计、嵌入式软件驱动及上位机数据可视化全流程,为机器人、精密测量等领域的爱好者提供了一个可复现的开源实践参考。

weixin_34718952的博客 396

【转】粒子滤波

volkswageos的专栏 1794

chromium通信系统-ipcz系统(二)-ipcz系统代码实现-同Node通信

在chromium通信系统-mojo系统(一)-ipcz系统基本概念一文中我们介绍了ipcz的基本概念。 本章我们来通过代码分析它的实现。 handle系统 为了不对上层api暴露太多细节,实现解耦,也方便于传输,ipcz系统使用handle表示一个对象,handle类似于文件描述符,用IpczHandle类型表示ipcz系统内的一个对象。一个可以用IpczHandle 句柄表示的对象必须是APIObject子类。APIObject数据结构如下 class APIObject : public RefCou

woai110120130的专栏 1775

SLAM--卡尔曼滤波、粒子滤波

目录一、卡尔曼滤波1、条件高斯PDF2.广义卡尔曼步骤:3.扩展卡尔曼滤波EKF二、粒子滤波1.贝叶斯滤波2. 粒子滤波算法 一、卡尔曼滤波 1、条件高斯PDF 存在多元正态分布(x,y)(x,y)(x,y),则联合高斯密度函数为: p(x,y)=N([μxμy],[∑xx∑xy∑yx∑yy])(3) p(x,y)=\bm N(\begin{bmatrix} \bm \mu _x\\ \\\bm \mu _y \end{bmatrix},\begin{bmatrix} \bm {\sum} _{xx}&a

老邹的博客 1853

从 VL02N 拣配到 ABAP 自动化,读懂 SD_DELIVERY_UPDATE_PICKING 的位置和风险

文章摘要:SAP SD模块中,SD_DELIVERY_UPDATE_PICKING函数模块用于处理出库交货单的拣配确认,更新交货项目的拣配数量。该函数适用于未启用WM/EWM的传统SD流程,能确保拣配状态与标准交货处理逻辑同步,比直接修改数据库更安全。但在S/4HANA Cloud等新环境中,应优先使用API_OUTBOUND_DELIVERY_SRV等公开发布接口。使用该函数时需注意参数完整性和按交货单整体处理的原则,避免逐项提交导致的数据不一致问题。(149字)

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 248

vue2学习笔记2-老规矩,从Hello World开始,了解Vue实例和模板

想要把“Hello,World”放置在页面上,首先需要准备一个HTML的块级元素div,来承接内容。

l_q_l的专栏 1259

GPS原理与接收机设计 CH6 卡尔曼滤波及其应用

GPS原理与接收机设计 第六章 ~ 主要是讲卡尔曼滤波的原理 公式推导 和应用

成为富婆,报效祖国!! 1137

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

视觉SLAM漫谈 (三): 研究点介绍

本文转载而来,未做修改。文中的“我”和联系邮箱均为原作者。 /*****************************************************************************************************************************/ 1.  前言   读者朋友们大家好!(很久很久)之前,我们为大家介绍了SL

super_mice的专栏 2379

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

扩展卡尔曼滤波EKF的MATLAB实现与工程实战:从原理到工具箱设计

状态估计是导航、目标跟踪、自动驾驶等领域的核心问题,而实际工程中系统往往呈现非线性特征,这使得经典线性卡尔曼滤波难以直接应用。扩展卡尔曼滤波(EKF)通过对非线性函数进行一阶泰勒展开,利用雅可比矩阵近似线性化,在保留卡尔曼滤波框架高效性的同时,显著拓展了其适用范围。相比无迹卡尔曼滤波和粒子滤波,EKF凭借更低的计算复杂度和良好的实时性能,成为工程落地中最常用的非线性滤波方案。从雷达目标跟踪到电池SOC估计,EKF在传感器融合与状态观测中发挥着关键作用。本文基于MATLAB环境,系统梳理了一套可复用的卡尔曼工

weixin_34126557的博客 405

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

(转) SLAM系统的研究点介绍 与 Kinect视觉SLAM技术介绍

首页 视界智尚 算法技术 每日技术 来打我呀 注册 SLAM系统的研究点介绍 本文主要谈谈SLAM中的各个研究点,为研究生们(应该是博客的多数读者吧)作一个提纲挈领的摘要。然后,我们再就各个小问题,讲讲经典的...

a1424262219的博客 380

SLAM介绍

https://blog.csdn.net/tiandijun/article/details/55212968 SLAM 1.  前言 读者朋友们大家好!(很久很久)之前,我们为大家介绍了SLAM的基本概念和方法。相信大家对SLAM,应该有了基本的认识。在忙完一堆写论文、博士开题的事情之后,我准备回来继续填坑:为大家介绍SLAM研究的方方面面。如果前两篇文章算是"初识",接下来几篇就是"渐入佳境...

戈扬的博客 2万+

简历问题(maybe)

收集未融合前轮速计的定位数据和实际位置数据。收集融合后的定位数据和相应的实际位置数据。位置精度通过均方根误差(RMSE)来评估。对于每个时间点,计算轮速计数据的定位误差(预测位置与实际位置之间的差异)。对于融合后的数据,同样计算定位误差。计算融合前后数据的RMSE。比较两个RMSE值,计算精度提升的百分比:(R未-R融)/R未。

佛系更新 1607

转:视觉SLAM漫谈 (三): 研究点介绍

转自 http://www.cnblogs.com/gaoxiang12/p/4395446.html1.  前言  读者朋友们大家好!(很久很久)之前,我们为大家介绍了SLAM的基本概念和方法。相信大家对SLAM,应该有了基本的认识。在忙完一堆写论文、博士开题的事情之后,我准备回来继续填坑:为大家介绍SLAM研究的方方面面。如果前两篇文章算是"初识",接下来几篇就是"渐入佳境"了。在第三篇中,我...

fantasysolo的博客 294

视觉SLAM研究点介绍

1.  前言   读者朋友们大家好!(很久很久)之前,我们为大家介绍了SLAM的基本概念和方法。相信大家对SLAM,应该有了基本的认识。在忙完一堆写论文、博士开题的事情之后,我准备回来继续填坑:为大家介绍SLAM研究的方方面面。如果前两篇文章算是"初识",接下来几篇就是"渐入佳境"了。在第三篇中,我们要谈谈SLAM中的各个研究点,为研究生们(应该是博客的多数读者吧)作一个提纲挈领的摘要。然后

ganbaoni9yang的博客 1254
上一篇: opencv提取直线、轮廓及ROI的描述方法
下一篇: 什么是opencv
sac761
博客等级 码龄12年 303粉丝 113原创
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值