chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

詳細介紹概率模型SLAM方法中的卡爾曼濾波

產(chǎn)業(yè)大視野 ? 來源:未知 ? 作者:胡薇 ? 2018-10-15 09:05 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

智能服務機器人逐漸成為行業(yè)風口浪尖的今天,移動機器人的身影越來越多地出現(xiàn)在人們身邊。相信隨著傳感技術(shù)、智能技術(shù)和計算技術(shù)等的不斷提高,智能移動機器人一定能夠在生產(chǎn)和生活中融入人類生活中。上一期小編大致介紹了基于概率模型的SLAM方法的基本原理,本期,小編給大家詳細介紹下概率模型SLAM方法中一個比較重要的家族:卡爾曼濾波。

什么是卡爾曼濾波

卡爾曼濾波(Kalman filtering),又稱線性二次型估計(Linear quadratic estimation),是Swerling(1958)和Kalman(1960)作為線性高斯系統(tǒng)中的預測和濾波技術(shù)而提出的。

最早由Stanley Schmidt首次實現(xiàn),后被Kalman發(fā)掘并應用于NASA的阿波羅計劃。提到阿波羅計劃,大家可能會有種小編是在幫卡爾曼濾波蹭“人類登月”熱度的感覺,其實不然,在工程領(lǐng)域里,卡爾曼濾波一樣也很“高大上”。

作為線性高斯系統(tǒng)預測方法中最優(yōu)、最高效的工具,卡爾曼濾波器及其變種已經(jīng)被廣泛應用在諸如機器人導航,傳感器數(shù)據(jù)融合,導彈追蹤,人臉識別等多種領(lǐng)域近半個世紀。

卡爾曼濾波解決的問題是“線性高斯系統(tǒng)的預測和濾波”,那么什么是線性高斯系統(tǒng)呢?高斯分布想必大家應該都有所耳聞,或者換個說法,正態(tài)分布,這個高中經(jīng)常被數(shù)學老師拿來讓我們估算人群身高分布的“大殺器”。它的長相是下圖這個樣子的:

正態(tài)分布很簡單,只需要兩個參數(shù)就可以表示了,即期望μ和方差σ。一個多元正態(tài)分布的表達式為:

呃,上面的公式看看就好,其實只需要知道正態(tài)分布的期望μ就是它的對稱軸,方差σ就是它的“胖瘦”情況,上面的圖中給出了幾個不同μ和σ的正態(tài)分布的樣子。一個所謂的“高斯線性系統(tǒng)”需要滿足三個條件:

1)狀態(tài)轉(zhuǎn)移概率p(xt|ut,xt-1)是帶有隨機高斯噪聲的線性函數(shù);

xt是t時刻的狀態(tài)向量,它是上一時刻的狀態(tài)xt-1和當前時刻的控制量ut的線性組合,εt表示一個隨機的高斯噪聲,它是由狀態(tài)轉(zhuǎn)移引入的不確定性。需要注意的是,式2表達的不是一個確定的解,而是一個分布,它由期望Atxt-1+Btut和方差rt確定。

2)測量概率p(zt|xt)也與帶有高斯噪聲的狀態(tài)量呈線性關(guān)系;

zt是t時刻的測量向量,ωt是測量時的高斯噪聲。同樣,式3也是一個分布,期望是Ctxt,方差是qt。

3) 初始置信度bel(x0)也是正態(tài)分布的,它期望是μ0方差是σ0。

如果一個系統(tǒng)能滿足上述三個條件,則它的后驗估計也滿足高斯分布,其期望為μt方差為σt。換句話說,一個最優(yōu)估計的問題,它的先驗概率分布是高斯分布,同時它的測量概率分布也是高斯分布,那么它的后驗概率也滿足高斯分布,并可求它的期望和方差。

下面拿擎朗智能第三代系列機器人——peanut舉個例子,一輛做勻速運動的peanut,它的初始位置為s0,速度為v,求它在t時刻的位置,大家一定立馬就能給出答案:st=s0+vt。

沒錯,理論上t時刻的位置就應該是這個值。但在實際工程應用中,位置s和速度v并不會是理想值,它會有一定的不確定性,我們假設(shè)這個不確定性是滿足高斯分布的。

如果沒有后驗的話,這個不確定性會不斷地疊加,就如上圖(a)所示,隨著peanut的不斷前行,位置s概率分布的方差會越來越大,peanut對自己位置的估計也就越來越不準確。

為了確保位姿估計的準確性,加入了一個觀測值去修正計算得到的速度,例如用里程計去測量每次走過的距離st’,如上圖(b)所示,

藍色表示peanut當前時刻的先驗估計,它由上一時刻的估計值st-1通過運動方程求得;

綠色表示從里程計獲得的觀測值得概率分布,它與先驗估計有一定的偏差;

紫色表示通過卡爾曼濾波后,修正的概率分布。

從濾波的結(jié)果來看,后驗估計也是高斯分布,它的分布綜合了先驗和觀測的期望,且縮小了方差。

卡爾曼濾波的一般步驟

通過上面的介紹,相信大家對卡爾曼濾波能干啥應該有個大致的了解了,那么它是如何使用的呢?廢話不多說,先上公式,

卡爾曼濾波的經(jīng)典五步:

好吧,看到上面的公式大家可能會有點懵,下面小編盡量用比較通俗的語句解釋下,

這五步具體做了什么:

1)計算狀態(tài)轉(zhuǎn)移的期望,μt-1表示上一狀態(tài)的期望值,其實就是上一次后驗分布的期望,ut是控制量,這樣就求出了先驗概率分布的期望值;

2)光有期望值還不夠,還需要計算方差才能得到一個完整的正態(tài)分布,公式5就是計算先驗概率方差的過程,其中σt-1表示上一次后驗的方差,rt是狀態(tài)轉(zhuǎn)移引入高斯噪聲的方差。

3)得到先驗概率分布后,就需要通過貝葉斯估計求解后驗概率分布。公式6是求解卡爾曼增益K,它通過觀測概率分布的方差qt和先驗概率分布的方差求得。

4)卡爾曼增益K主要用來衡量“預測值”和“觀測值”的比重,即是更相信預測的結(jié)果還是更相信觀測的結(jié)果;具體表現(xiàn)在公式7,后驗的期望是先驗的期望加上卡爾曼增益乘以估計和觀測期望的偏差。

5)后驗的期望得到后,再通過公式8更新后驗的方差,就得到了后驗估計得概率分布。

通過上述五步就精確地求解了一個“線性高斯系統(tǒng)”的后驗估計,算法里運算量最大的矩陣求逆運算和矩陣乘法運算時間復雜的分別可近似為O(k2.4)和O(k2),k是矩陣維度。相對其他算法,卡爾曼濾波算法是相當高效的。

卡爾曼濾波的變種

卡爾曼濾波雖然高效且精確,但是他有個致命的缺陷,即要求系統(tǒng)是高斯線性的,而實際應用中,絕大多數(shù)系統(tǒng)不是高斯線性的。

于是就有了所謂的擴展卡爾曼濾波EKF(Extended Kalman Filter)和無跡卡爾曼濾波UKF(Unscented Kalmen Filter )的變種。

EKF和UKF都是將實際狀態(tài)轉(zhuǎn)移模型局部線性化,只不過前者采用的是泰勒展開進行線性化,而后者采用的是通過加權(quán)統(tǒng)計線性回歸過程實現(xiàn)隨機線性化。

通俗的講,EKF是計算非線性函數(shù)的切線來進行線性化的,因此EKF需要知道狀態(tài)轉(zhuǎn)移方程的雅可比矩陣(Jacobian Matrix),UKF則是通過提取所謂的δ點,用這些δ點擬合的直線作為局部線性化的參考,δ的取值與分布的協(xié)方差有關(guān)。

EKF和UKF的算法復雜度近似,一般情況下EKF會稍微快一點,而估計的結(jié)果一般情況下UKF要優(yōu)于EKF。

卡爾曼濾波作為經(jīng)典的估計算法,被廣泛應用在各個領(lǐng)域之中,在機器人領(lǐng)域里,卡爾曼濾波主要應用在多傳感器融合,SLAM的最優(yōu)估計等問題中。

以上就是本期關(guān)于卡爾曼濾波的內(nèi)容,下期小編將給大家介紹粒子濾波的相關(guān)內(nèi)容。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • SLAM
    +關(guān)注

    關(guān)注

    24

    文章

    448

    瀏覽量

    32977
  • 卡爾曼濾波
    +關(guān)注

    關(guān)注

    3

    文章

    166

    瀏覽量

    25257

原文標題:【Robot 學院】SLAM 技術(shù)模型實例:卡爾曼濾波

文章出處:【微信號:robotn,微信公眾號:產(chǎn)業(yè)大視野】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    全新輕量級ViSTA-SLAM系統(tǒng)介紹

    無需相機內(nèi)參、極致輕量的前端(前端模型大小僅為同類35%),實時單目視覺SLAM,ViSTA-SLAM。與現(xiàn)有方法相比,ViSTA-SLAM
    的頭像 發(fā)表于 09-22 15:53 ?311次閱讀
    全新輕量級ViSTA-<b class='flag-5'>SLAM</b>系統(tǒng)<b class='flag-5'>介紹</b>

    基于卡爾濾波的無刷電機轉(zhuǎn)矩脈動抑制研究

    數(shù)據(jù)處理算法,卡爾濾波器同時具備良好的濾波特性。因此文章在分析永磁無刷直流電動機數(shù)學模型的基礎(chǔ)上,提出了一種基于
    發(fā)表于 07-29 16:13

    無位置傳感器無刷直流電機最大轉(zhuǎn)矩控制

    電磁轉(zhuǎn)矩與換相時刻的數(shù)學模型,分析了線反電勢與最佳換相時刻的關(guān)系,構(gòu)造了能夠在線辨識線反電勢的卡爾濾波器。仿真和實驗結(jié)果驗證了上述無位置傳感器控制策略的有效性。 純分享帖,點擊下
    發(fā)表于 07-10 16:41

    【「# ROS 2智能機器人開發(fā)實踐」閱讀體驗】視覺實現(xiàn)的基礎(chǔ)算法的應用

    部署,詳細介紹了基于顏色閾值和深度學習的巡線方法。 二維碼識別則廣泛應用于機器人定位與任務觸發(fā),例如AGV(自動導引車)的路徑規(guī)劃。 深度學習在機器人視覺的崛起 書中重點
    發(fā)表于 05-03 19:41

    【「# ROS 2智能機器人開發(fā)實踐」閱讀體驗】+ROS2應用案例

    SLAM(Simultaneous Localization and Mapping)技術(shù)是地圖構(gòu)建中的核心,它允許機器人在未知環(huán)境構(gòu)建地圖的同時進行自我定位。書中詳細介紹
    發(fā)表于 04-27 11:42

    IBIS模型的Corner參數(shù)處理

    和電源完整性的影響。文章首先介紹了IBIS模型的歷史演進,隨后根據(jù)IBIS模型的基礎(chǔ)架構(gòu)詳細討論Corner在不同模型組件
    的頭像 發(fā)表于 04-23 16:10 ?733次閱讀
    IBIS<b class='flag-5'>模型</b><b class='flag-5'>中</b>的Corner參數(shù)處理

    使用海爾太通/HellermannTyton 3D CAD 模型進行快速高效的設(shè)計

    地找到所需的電纜管理解決方案,然后還能將下載的產(chǎn)品 CAD 模型直接導入到他們的設(shè)計。目前海爾太通的產(chǎn)品目錄包括了電纜扎帶、固定件以及電纜保護產(chǎn)品。海爾太通與 CADENAS 合
    發(fā)表于 03-14 16:55

    卡爾濾波基礎(chǔ)知識

    ,給出當前狀態(tài)的最優(yōu)估計,該算法涉及的核心方程有: 其中,xt為系統(tǒng)狀態(tài)矩陣;zt為系統(tǒng)觀測矩陣(實驗結(jié)果);A為狀態(tài)轉(zhuǎn)移矩陣;B為控制輸入矩陣;H為狀態(tài)觀測矩陣。 附2、卡爾濾波應用實例? 本部分通過簡單的算例,
    的頭像 發(fā)表于 01-08 10:26 ?1590次閱讀
    <b class='flag-5'>卡爾</b><b class='flag-5'>曼</b><b class='flag-5'>濾波</b>基礎(chǔ)知識

    卡爾濾波在信號處理的應用分析

    卡爾濾波在信號處理的應用十分廣泛,其強大的濾波和預測能力使其成為信號處理領(lǐng)域的一種重要工具。以下是對
    的頭像 發(fā)表于 12-16 09:14 ?3655次閱讀

    卡爾濾波在圖像處理的應用實例 如何調(diào)優(yōu)卡爾濾波參數(shù)

    卡爾濾波在圖像處理的應用實例 卡爾濾波在圖像處
    的頭像 發(fā)表于 12-16 09:11 ?2332次閱讀

    卡爾濾波在機器人導航的應用

    ,預測下一時刻的狀態(tài)和協(xié)方差。 更新步驟 :利用新的觀測數(shù)據(jù),調(diào)整預測狀態(tài),以減少誤差。 卡爾濾波的關(guān)鍵優(yōu)勢在于其遞歸性,這意味著它可以實時處理數(shù)據(jù)流,而不需要存儲整個觀測序列。 機器人導航
    的頭像 發(fā)表于 12-16 09:08 ?1700次閱讀

    利用VLM和MLLMs實現(xiàn)SLAM語義增強

    語義同步定位與建圖(SLAM)系統(tǒng)在對鄰近的語義相似物體進行建圖時面臨困境,特別是在復雜的室內(nèi)環(huán)境。本文提出了一種面向?qū)ο?b class='flag-5'>SLAM的語義增強(SEO-SLAM)的新型
    的頭像 發(fā)表于 12-05 10:00 ?1965次閱讀
    利用VLM和MLLMs實現(xiàn)<b class='flag-5'>SLAM</b>語義增強

    最新圖優(yōu)化框架,全面提升SLAM定位精度

    的類別進行分類,如視覺SLAM、激光SLAM、慣性SLAM等。 解決SLAM問題的經(jīng)典方法可以分為基于
    的頭像 發(fā)表于 11-12 11:26 ?1497次閱讀
    最新圖優(yōu)化框架,全面提升<b class='flag-5'>SLAM</b>定位精度

    激光雷達在SLAM算法的應用綜述

    SLAM算法運行的重要傳感器?;诩す饫走_的SLAM算法,對激光雷達SLAM總體框架進行介紹,詳細闡述前端里程計、后端優(yōu)化、回環(huán)檢測、地圖構(gòu)
    的頭像 發(fā)表于 11-12 10:30 ?3051次閱讀
    激光雷達在<b class='flag-5'>SLAM</b>算法<b class='flag-5'>中</b>的應用綜述

    卡爾濾波器的特性及仿真

    我們前一篇關(guān)于人物識別跟蹤的文章《視頻連續(xù)目標跟蹤實現(xiàn)的兩種方法和示例(更新)》里講到,視頻圖像物體的識別和跟蹤用到了卡爾濾波器(KF)
    的頭像 發(fā)表于 11-04 11:36 ?1279次閱讀
    <b class='flag-5'>卡爾</b><b class='flag-5'>曼</b><b class='flag-5'>濾波</b>器的特性及仿真