记录一下对扩展卡尔曼滤波(Extended Kalman Filter, EKF)的理解。 参考《概率机器人》、《卡尔曼滤波原理及应用-MATLAB仿真》此篇之前所衔接的博客是《卡尔曼滤波》:https://www.guyuehome.com/43705 一、背景、原理 1.1 线性到非线性扩展 观测结果是状态的线性函数,并且下一状态是以前状态的线性函数,这两个假设对KF算法的正确性非常重
记录一下对卡尔曼滤波的理解。卡尔曼滤波(Kalman Filter),以下简称KF,是由Swerling(1958)和Kalman(1960)作为线性高斯系统(linear Gaussian system)中的预测和滤波技术而发明的,是用矩阵来定义的。KF实现了连续状态的置信度计算。它不适用于离散或混合状态空间。 参考《概率机器人》、《卡尔曼滤波原理及应用-MATLAB仿真》卡尔曼滤波属于是基于
主要记录一下,概率公式,先验、后验、似然等概念,并记录对贝叶斯滤波、离散贝叶斯滤波、静态二值贝叶斯滤波、粒子滤波的理解过程。 一、条件概率,条件独立联合概率 1.1 条件概率与联合概率的概念 条件概率是指事件A在事件B已经发生的条件下发生的概率。条件概率表示为:P(A|B),读作“A在B发生的条件下发生的概率”。联合概率是指在多元的概率分布中多个随机变量分别满足各自条件的概率。表示两个事件共
关于《概率机器人》
博客
泡泡
积分
勋章
扩展卡尔曼滤波EKF
卡尔曼滤波
概率基础:贝叶斯滤波
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