传感器融合

使用头部跟踪的双耳音频渲染

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。

通过惯性传感器融合估计方向

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。

记录传感器数据对齐方向估计

这个示例展示了如何对齐和预处理已记录的传感器数据。

利用四元数SLERP定位低通滤波器

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。

来自异步传感器的姿态估计

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。

选择惯性传感器融合滤波器

惯性传感器融合滤波器的适用性与局限性。

使用互补滤波器和IMU数据估计方向

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。

基于惯性传感器融合和MPU-9250的定位估计

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。

基于BNO055的无线数据流与传感器融合

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。

自定义调整融合滤波器

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。

定位算法

使用蒙特卡罗定位法定位乌龟机器人

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。

组成一系列的激光扫描与姿态变化

使用matchScans函数来计算一系列激光扫描之间的位姿差。

基于IMU的网格激光雷达扫描匹配最小化搜索范围

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。

使用姿态图减少3-D视觉里程表轨迹漂移

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。

蒙特卡罗定位算法

采用蒙特卡罗定位(MCL)算法估计机器人的位置和姿态。

粒子滤波参数

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。

粒子滤波的工作流

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。