首先,概率滤波的思想目的是为求变量X的概率分布函数(一般情况下为条件概率分布) F(x)=P(ξ<x) (-∞<x<+∞),变量X最优估计值U即指满足公式F(U)=Max。 1.卡尔曼滤波(EKF,UKF先不说)只考虑高斯噪声,线性模型,因此变量X的后验概率分布肯定也为高斯分布(高斯分布经过线性变换还是高斯分布,只是参数改变),因此只需要利用预测(先验)和量测(似然)更新后验概率
这篇博客主要是一些调试中踩的坑及验证过的东西,以供大家参考。 1.GTSAM使用篇 调试在原有Lego-loam中Gtsam框架上添加三维里程计的BetweenFactor约束1.1 给初值 gtSAMgraph.add(PriorFactor<Pose3>(0, Pose3(Rot3::RzRyRx(transformTobeMapped[2], transformTobeMapp
1.序言 倒腾一段时间的LIO-SAM,实在是累,是那种没任何收获的感觉。吐槽几点a.输入点云需要按照最新的Velodyne雷达的数据格式(用速腾的累烦)b.里程计的输入还需要三维的,二维轮式的实现起来烦c.IMU预积分和紧耦合对消费级IMU和实际中很难严格时间对齐的开发真的有必要吗d.增加的GPS,神烦坐标系对齐不讲清楚怎么搞?连github issue也没讲…e.个人觉得创新不够,没什么大优点
重在分享与记录,欢迎各位爱好者加微信讨论(15112119047)
问题的引出:AMCL的初始位姿通常要求用户手动输入,或者机器加载上一次保存的位姿。AMCL中自带的全局定位服务(globalLocalizationCallback)实际中基本很难用得上。 问题解决思路:相机在回环检测中具有比较大的优势,那么是不是可以通过搭载一个相机来辅助AMCL实现自动全局定位呢? ~~~~~~~~~~~~下面说说如何实现(相机回环辅助AMCL全局定位)~~~~~~~~~~
AMCL首次启动总有个烦恼的问题,就是手动初始化位姿很难给出准确的,也不会自动更新,像下面这样 像这样做成产品当然不行啦。解决上面的问题主要有两个思想(1)用户给个大概初始位姿,算法自动更新寻找真实值(2)不需要用户给初始位姿,采用其它辅助方法 ----------------------------------------分割线------------------------------
AMCL中轮式里程计误差模型参数 用了很久的AMCL,也偶尔会思考odom_alpha1,odom_alpha2,odom_alpha3,odom_alpha4这些如何参数如何根据我们轮子的精度来给出理论上比较准的值,而不是凭借实验中调出来的值(总感觉不专业),因此这次决定好好理一理。 一.diff模型与diff-corrected区别 结论:diff-corrected模型才是《概率机器人》中里
积分
粉丝
勋章
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