前言 上一篇中围绕一个简单的扩展卡尔曼滤波算法的实现案例阐述。本篇主要针对两种不同的导航系统进行展开讨论——松组合与紧组合导航系统。 捷联惯导系统(SINS)利用陀螺仪、加速度计等惯性器件进行目标的位置、速度估计,其缺点是误差随时间累积。全球定位系统(GPS)定位和测速精度较高,然而其信号有可能中断或受干扰,造成短时间无法正常使用的情况,因此,将SINS与GPS进行优势互补,即组成组合导航系统。
实际控制系统主要的特点有: ①输入参考信号一般是阶跃信号、斜坡上升信号、时变信号,这些信号傅里叶分解后主要成分为直流和低频分量(几百赫兹以内); ②实际控制系统往往会存在干扰,包括信号采样的干扰、电压或电流的波动等,而这些干扰主要表现形式是中高频噪声(一般在500Hz以上)。 ③控制对象的非线性,实际控制的仪器设备其物理量关系并非完全的线性关系,总是会存在一些时变、饱和、摩擦等非线性因素。 1.不
滤波器的作用是允许某些频率的正弦信号基本无衰减的通过(增益为 1,频域 0dB),同时对另外某些频率的正弦信号起到衰减作用(增益在 0.707 以下,频域-3dB 以下)。 当然,滤波器对通过的正弦信号会产生一定的相移作用。 1.二阶通用滤波器 二阶滤波器表示的是滤波器时域表达式中最高含有二阶微分,或者说传递函数分母的s最高次数为2。滤波器对直流分量的增益为1。据此可设零状态二阶通用滤波器的传递函
前言 上一篇围绕卡尔曼滤波算法的参数选取问题展开,针对非线性对象的状态估计问题,阐述扩展卡尔曼滤波(EKF)与卡尔曼滤波的区别以及扩展卡尔曼滤波算法的核心步骤。本篇将结合实际案例进行详解,同时,提供一种扩展卡尔曼滤波算法的C++代码实现方案。 扩展卡尔曼滤波实例 这里以无人驾驶的测量障碍物的实际案例为例子展开,如下图所示,毫米波雷达能够测量障碍物在极坐标下离雷达的距离 、方向角 以及距离的变化
【导读】 在这一系列的V-REP自学笔记中,我们定了一个小目标,完成一个Demo。使用官方提供的KUKA公司的YouBot机器人模型来实验机器人的感知和控制过程,控制机器人从A点抓取物品,然后移动到B点将物品放置在B点的工作台上,这其中涉及到V-REP环境中的机器人感知和控制过程。 我的专栏: AI与机器人zhuanlan.zhihu.com/c_1212783320150577152 在上
前言 有人说控制是一门玄学,有时候,通过修改一个参数就能大幅提高控制性能,有时候又死活调不出理想的效果;也有人说控制是一门艺术,它的实现机理充斥着数学之美。它是一门将理论与工程完美结合的学科。 本专题将从零开始,带着各位读者,理一理无人机控制系统的那些事。 控制的本质是对信号的操纵,即在理解信号特性的基础上,对其进行一定的改造,使其达到人为设定的目标。这个目标可能是某种特定的数值,也可能是一定的数
PI校正环节在经典控制论中非常有用,特别是对负反馈控制系统,基本上都有PI校正环节。 1.下面分别说明比例环节和积分环节的作用,以阶跃信号为例。 ①比例环节单独作用 以上分析说明,若只有比例环节的控制系统,阶跃响应也是一个阶跃信号,但会存在一定静差,且静差值随Kp增大而减小,但始终存在,不随时间变化。 输出的理论波形跟实际的数字控制输出波形会不一致。因为实际数字控制系统每隔一个计算周期运算一
2021年7月16号,也就是两天前cyberbotics公司发布了Webots 2021b版本,让我们一起看看新版本更新了哪些内容~~版本更新日志:https://cyberbotics.com/doc/reference/changelog-r2021 新机器人 添加了Robotnik公司的Summit-XL Steel机器人模型(#3121). 添加了Mobile Industrial R
决策树简介 决策树是一种基本的分类与回归方法。决策树模型呈树形结构,在分类问题中,表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合,也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性,分类速度快。学习时,利用训练数据,根据损失函数最小化的原则建立决策树模型。预测时,对新的数据利用决策树模型进行分类。决策树学习通常包括三个步骤:特征选择、决策树的生成
【导读】 V-REP自学笔记是一个系列教程,主要帮助读者从零开始逐步深入的学习和使用V-REP软件,以及在这个平台的基础上,学习一些机器人感知和控制规划相关的知识。这个系列的教程将持续更新和发布在专栏:AI与机器人。 整个项目涉及到的代码都开源并发布到github上,欢迎大家Mark和下载使用:https://link.zhihu.com/?target=https%3A//github.com/
目录 先验概率、条件概率与后验概率的概念 先验概率 条件概率 后验概率 加大难度,来个辨析题 贝叶斯决策理论 基于最小错误率的贝叶斯决策 基于最小风险的贝叶斯决策 先验概率、条件概率与后验概率的概念先验概率 先验概率是指根据以往经验和分析得到的概率,如全概率公式,它往往作为"由因求果"问题中的"因"出现的概率。 通俗点讲,先验概率就是事情尚未发生前,我们对该事发生概
VIO的角速度和四元数 四元数乘法 四元数的时间导数 VINS-MONO里的相关公式 无论是在VINS-MONO,还是在OKVIS等众多VIO论文,四元数函数项中都出现了一个Ω矩阵……这Ω矩阵有啥用途? 四元数乘法 首先来看一下四元数的乘法:对两个四元数q和p: 用四元数表示的角速度与 b k 时刻的四元数相乘,表示当前时刻各个方向的角速度,然后在 k 到 k+1间隔求积分,得到
ROS实现机器人视觉寻线刷圈 注意: 再学习本系列教程时,应该已经安装过ROS了并且需要有一些ROS的基本知识 ubuntu版本:20.04 webots版本:2021a ros版本:noetic 前言 最近看到Youtube上大部分博主都在做巡线,笔者也来凑凑热闹。 此项目基于tianbot_mini机器人完成。项目开源地址:tianbot_mini_webots 效果 小车已经设置为最高速
三、机械臂的运动仿真模拟 1.在第一节中,我们已经搭建了机械臂的模型,但他目前只是一个刚体模型,不具备任何运动条件,现在我们需要在他的关节处添加关节模型。目前,我们只需要旋转关节和平动关节,如图所示:将我们需要的关节插入到之前建立的关节模型中。后期补充:下图有一个地方是错误的,第一个关节应该 在第一节连杆与第二节连杆之间,调整一下顺序即可。如上图所示,第一个关节所在的空间为世界坐标系原点空间,第
前言 学习SLAM最大的一个问题就是知识点太多,学完前面又忘记后面,而且脑子总是很混乱,还经常看不懂。今天刚搞懂了Bundle Adjustment的原理,马上过来记录一下,以后忘记还可以回来看看。 本文没有公式的证明,只是通俗的理解Bundle Adjustment到底是什么,这需要读者了解一定的slam基础。下面就让我们一步步地理解BA吧。 Bundle Adjustment译为光束法平差,或
为了满足车辆转向执行器的限制,生成的路径应该满足连续曲率,峰值曲率和最大曲率的约束,采用参数化的三次B样条曲线来规划路径,如下图所示:图中具有4个控制点和9个参数节点的三次B样条曲线能够被定义为: 其中Bi,j代表B样条曲线的基函数,可以通过deBoox-Cox公式递推得到。 为了满足起点和目标点的约束,顶部和底部的端点需要设置为三个节点,因此参数节点的矢量将设置为[0,0,0,0,0.5,1
课程目的 在之前的学习中,大家对ros、slam等知识有了一定的了解,但是大多数的学习资料都是基于两轮或四轮差速的机器人模型。 那么本次课程我们将会介绍阿克曼转向结构的机器人建图、导航仿真。课程主要对机器人仿真模型与运动学模型进行介绍,使用teb_local_planner导航插件,让机器人在gazebo中实现导航。 (阿克曼小车的运动学模型) (阿克曼小车的建图仿真) (在gazebo中实
二、正逆运动学模块的搭建 提示:关于逆运动学的求解方法,本章节不做重点介绍,可以参考一下文章学习求逆解的方法,本章主要讲解如何利用SimMechanics搭建正逆运动学模型,并仿真、验证! https://www.cnblogs.com/21207-iHome/p/9452896.html 1.正、逆运动学的表达 2.Simulink中,相关的数学计算模块。复杂的表达式是通过简单的四则运
1.解析百度Apollo自动驾驶平台 2.解析百度Apollo之Routing模块 3.解析百度Apollo之决策规划模块 4.解析百度Apollo之参考线与轨迹 5.Apollo Planning模块源代码分析 6.Apollo 3.5 Planning模块源代码分析7.apollo介绍之planning模块 8.apollo planning 的软件架构9.apollo planning 软件
目前,验证连续控制强化学习算法的仿真环境,最常用的是Mujoco,但是需要license,学生邮箱可申请单机一年的免费使用权。同时,大部分情况下,如果使用Gym和Python,还需要安装Mujoco-py,安装过程都不友好。另外很重要的是,据个人了解,Mujoco原生版,也就是C++版的文档写的水平一般,Mujoco-py本身就没什么文档,只有几个example。 相比之下,PyBullet使用免
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信