使用定位和姿态估计算法来在你的环境中定位你的车辆。传感器姿态估计使用滤波器改进和组合传感器读数的IMU, GPS和其他。定位算法,如蒙特卡洛定位和扫描匹配,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态。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。有关同步定位和映射,请参见大满贯.
通过融合IMU接收到的数据跟踪头部方向,然后应用头部相关传递函数(HRTF)控制声源的到达方向。
这个例子展示了如何使用六轴和九轴融合算法来计算方向。
这个示例展示了如何对齐和预处理已记录的传感器数据。
这个例子展示了如何使用球面线性插值(SLERP)来创建四元数序列和低通滤波噪声轨迹。
这个例子展示了如何以不同的速率融合传感器来估计姿态。
惯性传感器融合滤波器的适用性与局限性。
这个例子展示了如何从Arduino流IMU数据,并使用互补滤波器估计方向。
本示例展示了如何从InvenSense MPU-9250 IMU传感器获取数据,以及如何在传感器数据中使用6轴和9轴融合算法来计算设备的方位。
本例展示了如何通过HC-05蓝牙®模块从博世BNO055 IMU传感器获取数据,并对传感器数据使用9轴AHRS融合算法计算设备的方位。
使用调优
功能优化的噪声参数的几个融合滤波器,包括ahrsfilter
对象。
这个例子演示了蒙特卡罗定位(MCL)算法在模拟Gazebo®环境中的TurtleBot®上的应用。
使用matchScans
函数来计算一系列激光扫描之间的位姿差。
本例展示了如何使用惯性测量单元(IMU)来最小化扫描匹配算法的旋转角度的搜索范围。
这个例子展示了如何减少漂移在估计的轨迹(位置和方向)的单目相机使用3-D姿态图优化。
采用蒙特卡罗定位(MCL)算法估计机器人的位置和姿态。
使用stateEstimatorPF
(机器人系统工具箱)粒子滤波器,必须指定粒子数、粒子初始位置和状态估计方法等参数。
粒子滤波器是一种递归的贝叶斯状态估计器,它使用离散粒子来近似估计状态的后验分布。