定位与姿态估计

惯性导航、位姿估计、扫描匹配、蒙特卡罗定位

使用定位和姿态估计算法来定位您的车辆在您的环境中。惯性传感器融合使用滤波器来改善和组合IMU、GPS和其他传感器读数。定位算法，如蒙特卡罗定位和扫描匹配，利用距离传感器或激光雷达读数在已知地图上估计你的姿势。姿态图跟踪你估计的姿态，并可以基于边缘约束和循环闭包进行优化。

要模拟特定的传感器，请参见传感器模型．

有关同步本地化和映射，请参见大满贯．

特色的例子

如何构建适用于无人机(uav)或四轴飞行器的IMU + GPS融合算法。

打开生活的脚本

使用惯性测量单元(IMU)和单目摄像机估计地面车辆的姿态(位置和方向)。在这个例子中，你:

打开脚本

MATLAB Mobile™报告来自苹果或Android移动设备上的加速度计、陀螺仪和磁力计的传感器数据。可以获得每个传感器的原始数据或融合的方向数据。这个例子展示了如何比较来自手机的融合方向数据和来自ahrsfilter对象的方向估计。

打开生活的脚本

通过融合惯性测量单元(IMU)和全球定位系统(GPS)接收器的数据来估计地面车辆的位置和方向。

打开脚本

将机器人里程测量数据和观察到的基准标记AprilTags结合起来，可以更好地估计机器人的轨迹和环境中的地标位置。

打开生活的脚本

利用三维姿态图优化减小单目摄像机估计轨迹(位置和方向)中的漂移。视觉里程计估计相机当前的全局姿态(当前帧)。由于三维点三角剖分匹配不佳或存在误差，使得机器人的轨迹往往偏离地面实际。环路闭合检测和位姿图优化可以减少这种漂移并纠正错误。

打开生活的脚本