粒子濾波的案例
239 基于matlab的EKF(擴展卡爾曼濾波)_UKF(無跡卡爾曼濾波)_PF（粒子濾波）三種算法的估計結果比較 ￥19.89
基于matlab的EKF(擴展卡爾曼濾波)_UKF(無跡卡爾曼濾波)_PF（粒子濾波）三種算法的估計結果比較，輸出估計誤差，并單獨對粒子濾波進行估計及其置信區間可視化。程序已調通，可直接運行。
鋰離子動力電池壽命預測的研究進展
林慧龍等提出一種粒子濾波算法(PF)來預測電池壽命，并與擴展卡爾曼濾波算法(EKF)進行了對比，發現粒子濾波算法的平均絕對誤差(MAE)和均方根誤差(RMSE)都低于擴展卡爾曼濾波，結果如表2所示。張吉宣等提出了一種自回歸滑動平均模型和正則化PF 的融合算法
，并與單一的標準PF 和正則化PF算法相比較，結果表明該方法預測精度更高。
b. 數據驅動法
數據驅動法不需要了解電池內部的物理和化學變化，通過分析電池健康狀態信息進行剩余壽命預測。Liu 等提出了一種利用灰色模型的電池剩余壽命預測方法，但GM(1,1)模型在進行長期預測時誤差比較大，針對這種情況，Gu 等建立了殘差GM(1,1)模型，實驗結果表明，該方法預測精度較高。Long 等利用改進的自回歸(AR)模型對鋰離子電池退化容量進行跟蹤，在模型定階時采用粒子群算法，實現對電池的壽命預測，結果具有較高的精度。龐曉瓊等提出了一種結合主成分分析特征融合與非線性自回歸神經網絡(PCANARX)的預測方法,對電池的壽命進行預測，經仿真后得出了該方法的有效性，其預測誤差小、適用性強，如圖1所示。
聶僥等建立了一種雙并聯離散過程神經網絡模型，并與標準的過程神經網絡預測所得的結果進行比較，該方法不僅實現了過程神經網絡不具備的權值在線更新功能，而且預測效果更好，如表3所示。
c.
展開 Lumerical案例 | 基于粒子群優化的雙波段MIM濾波器引領高靈敏度檢測革新
短截線的角度（?）設計為135°，這一角度平衡了靈敏度與濾波效率——角度過小時通帶傳輸低、截止帶衰減不完全；角度過大則共振谷變寬，光譜選擇性下降，135°時能實現通帶高傳輸與截止帶近零傳輸的理想效果。
濾波器的關鍵尺寸參數對性能影響顯著。研究通過仿真系統分析了短截線寬度（W1）、長度（L1）、L2/L3比例、孔洞直徑（d）等參數的影響：當W1=60nm時，濾波器在1008nm和1348nm處實現尖銳截止，通帶傳輸效率最高；L1=160nm時，截止帶抑制效果最強，且短截線長度與共振波長呈反比關系；L2/L3=1.2時，截止波長尖銳，傳輸效率最優；孔洞直徑d=12.5nm時，共振波長穩定，傳輸率最佳。這些參數的初始值為后續優化提供了重要參考。
粒子群優化算法的精準調控
為突破傳統優化方法的瓶頸，本研究引入粒子群優化（PSO）算法對濾波器尺寸進行全局優化。在優化過程中，PSO算法的目標函數被設計為優化MIM濾波器的傳輸特性。該算法尋求最大化通帶中的傳輸速率，并最小化截止帶中的傳輸速率（接近于零），以確保有效的濾波性能：
其中T(λ)為波長λ處的傳輸率， 和 分別代表通帶和截止帶波長。PSO參數經過精心調試：種群規模設為100個粒子，確保解空間的充分探索；慣性權重 =0.7、 =0.4，平衡探索與開發能力；加速常數c?=c?=2，使粒子兼顧個體經驗與群體信息；優化迭代次數為500次，保證收斂到穩定解。
優化流程采用MATLAB與Lumerical FDTD聯合仿真，具體流程如圖2所示。
展開 無人機導航定位系統關鍵技術研究
初始粒子的位置可以通過視覺測量算法測量的運動變化來跟蹤，而不是在沒有測量的情況下隨機移動它們。使用視覺測量算法可以減少粒子集生成過程的搜索空間。圖2顯示了從圖像序列計算的變換。
圖2 視覺測量算法粒子跟蹤示意圖
基于粒子濾波的定位方法可以達到更好的定位精度。定位算法采用迭代過程不斷更新粒子，在長時間飛行過程中可能導致位精度不穩定。為了進一步提高定位魯棒性，可以嘗試結合機載傳感器設備定位系統和視覺算法的優勢。
<完>
口罩CE認證_深圳口罩CE認證
口罩辦理CE認證其他標準介紹：
EN405：呼吸保護設備.防煤氣或防煤氣與粉塵的帶閥過濾半罩式面罩.要求、檢驗、標記
本標準規定了作為呼吸保護裝置一部分的粒子過濾器的要求。根據粒子濾波器的濾波效率對其進行分類。有三類粒子過濾器：P1，P2和P3。P1過濾器僅用于針對固體顆粒。P2和P3過濾器根據其去除固體和液體顆粒或固體顆粒的能力進行細分。粒子過濾器是彩色編碼的白色。
歐洲疫情爆發，口罩出口尤為重要，UNI優耐檢測為您提供歐盟口罩CE認證服務！
一文了解自動駕駛汽車“定位”
過程繼續，通過觀察結果、概率和地圖來確定我們最可能的位置，該過程被稱為粒子濾波。因為我們使用粒子或點來估計最可能的位置，當然，樹木在許多道路上比較稀少，但是車道線在許多道路上卻很常見，可以使用相同的粒子濾波原理對車道線進行拍照。使用拍攝的圖像來確定車輛在道路中的位置，可以將道路攝像頭圖像與地圖進行比較。我們的攝像頭圖像與地圖的某些部分匹配得很好，但與地圖的其他部分匹配得沒那么好。
視覺車道線示例
上圖是視覺車道線的一個示例，藍色代表地圖上兩個不同位置的車道線，紅色代表車輛攝像頭觀察到的車道線，紅線與右側藍線的匹配度要比與左側藍線的匹配度高得多，因此我們更有可能位于與右側圖像對應的地圖位置上。
總結：視覺定位的優點在于圖像數據很容易獲得，缺點在于缺乏三維信息和對三維地圖的依賴。
Apollo 定位
Apollo 使用基于 GPS、IMU 和激光雷達的多傳感器融合定位系統，這種融合方式利用了不同傳感器的互補優勢，它也提高了穩定性和準確性，Apollo 定位模塊依賴于 IMU、GPS、激光雷達、雷達和高精度地圖。
這些傳感器同時支持 GNSS 定位和 LiDAR 定位。GNSS 定位輸出位置和速度信息，LiDAR 定位輸出位置和行進方向信息。融合框架通過卡爾曼濾波將這些輸出結合在一起，卡爾曼濾波建立在兩步預測測量周期之上，在 Apollo 定位中，慣性導航解決方案用于卡爾曼濾波的預測步驟，GNSS 和 LiDAR 定位用于卡爾曼濾波的測量結果更新步驟。
展開 一文洞悉Python必備50種算法
相關閱讀：
概率機器人學
http://www.probabilistic-robotics.org/
3.2 無損卡爾曼濾波本地化
該算法利用無損卡爾曼濾波器（Unscented Kalman Filter, UKF）實現傳感器混合本地化。
線和點的含義與EKF模擬的例子相同。
相關閱讀：
利用無差別訓練過的無損卡爾曼濾波進行機器人移動本地化
https://www.researchgate.net/publication/267963417_Discriminatively_Trained_Unscented_Kalman_Filter_for_Mobile_Robot_Localization
3.3 粒子濾波本地化
該算法利用粒子濾波器（Particle Filter, PF）實現傳感器混合本地化。
藍線為真實路徑，黑線為導航推測路徑（dead reckoning trajectory），綠點為位置觀測（如GPS），紅線為PF估算的路徑。
該算法假設機器人能夠測量與地標（RFID）之間的距離。
PF本地化會用到該測量結果。
相關閱讀：
概率機器人學
http://www.probabilistic-robotics.org/
3.4 直方圖濾波本地化
該算法是利用直方圖濾波器（Histogram filter）實現二維本地化的例子。
紅十字是實際位置，黑點是RFID的位置。
藍色格子是直方圖濾波器的概率位置。
在該模擬中，x，y是未知數，yaw已知。
展開 一文熟悉視頻目標跟蹤
跟蹤領域中，常見的運動模型包括卡爾曼濾波、粒子濾波、滑窗采樣等。早期的跟蹤算法（如基于稀疏表達和ＳＶＭ的跟蹤器）廣泛地采用粒子濾波作為運動模型，其基本假設是目標在相鄰幀間的運動符合高斯分布。類似地，基于分類網絡的跟蹤器如MDNET同樣在目標前一幀位置處以高斯分布采樣大量的候選粒子，并依據觀測模型進一步分類。在后續的判別式跟蹤算法（如相關濾波器和雙路網絡）中，最常見的是滑窗式采樣，即假設目標在相鄰幀間的運動符合均勻分布。相關濾波器和雙路網絡通常以前一幀跟蹤位置為中心剪裁出目標的幾倍大區域，通常被稱為感興趣區域（Region of Interest），并在該區域內稠密地、滑窗式地搜索目標位置。必要時，這些跟蹤算法還會在跟蹤響應圖上增加漢明窗以懲罰目標相鄰幀間運動過遠的預測。最新的基于梯度的深度跟蹤算法也普遍地采用均勻分布的運動估計。上述的基于高斯分布或均勻分布的運動估計均沒有較好的建模目標的運動信息。在SINT算法中，作者使用光流算法來指導候選樣本的采樣過程，但在性能提升有限的同時又帶來了巨大的運算代價。針對DTB數據集Ｍ，作者針對無人機拍攝的跟蹤場景提出了有效的運動模型，但是僅局限于特定的情況。由于跟蹤領域的數據集眾多且拍攝場景多樣、復雜，其中不乏人為制造的相機劇烈抖動、目標無規則運動等因素來增加視頻的難度，因此單純地依賴運動模型很難準確地估計目標的運動軌跡。正因如此，科研人員將主要的研宄精力放在了觀測模型的構造和改進上，即依賴觀測模型的強大辨別能力來篩選和精煉運動模型產生的大量候選粒子。
模塊之-特征提取
依據運動模型確定當前幀的目標搜索范圍后，接下來需要對候選區域或候選樣本進行特征提取。
展開 知語云：低慢小無人機管制反制監測 探測偵測方式方法？
針對到這一問題，劉潤邦等等提出了基于特征融合的粒子濾波紅外目標跟蹤算法，該算法則建立基于灰度直方圖和梯度方向直方圖的觀測模型，來去彌補紅外目標特征描述的局限性。
探測“低慢小”無人機主要解決光信號微弱和背景復雜這兩個問題。因為在“低慢小”無人機的光輻射強度低，所以要是使用更高倍數的光學變焦和數字變焦的相機。光學中變焦的倍數越高，相機則所能聚焦的距離就越遠。數碼變焦的倍數越高，照片所能放大的倍數就越高。例如情況，AUDS反無人機系統則采用的是雙攝像頭，30倍的光學變焦，12倍的數碼變焦。另外的情況，“低慢小”無人機在長波波段的輻射強度是在中波波段的10倍以上，可見熱輻射能量最主要集中在長波波段。光電探測的關鍵算法就是圖像處理，目前則已有的嘗試包括傳統的鄰域特征、連續幀間特征、紅外輻射建模以及深度學習算法等。
3.5無線電探測
“低慢小”無人機的飛行控制和載荷數據的傳輸都需要和外界進行通信，這個過程所產生的無線電信號具有一定的特征。其中的飛控指令既需要上傳也需要下載，而載荷數據一般只需要下載。常見的無人機通信頻段是應用模式有三類一類是僅使用2.4GHz頻段（常見于玩具無人機或無需傳輸載荷數據的無人機）；一類則是同時使用2.4GHz和5.8GHz頻段（飛控指令和載荷數據處于不同的頻段）；一類就是用433MHz、868MHz、915MHz等頻段來傳輸飛控指令，用1.3GHz是來傳輸載荷數據（歐洲標準）。為了在提高復雜電磁環境下的抗干擾能力，多數“低慢小”無人機還采用了跳頻加擴頻的飛控信號調制模式。通常在飛控信號需要更強的穩定性，因此更有可能采取跳頻方式。
無線電探測是需要解決信號識別和定位兩個問題。“低慢小”無人機的通信信號在頻譜和功率譜上都有較為顯著的特征。
展開 難以置信！一篇文章就梳理清楚了 Python OpenCV 的知識體系
12
圖像濾波
理解什么是濾波，高頻與低頻濾波，圖像濾波函數。
線性濾波：方框濾波、均值濾波、高斯濾波，
非線性濾波：中值濾波、雙邊濾波，
方框濾波 cv2.boxFilter()；
均值濾波 cv2.blur()；
高斯濾波 cv2.GaussianBlur()；
中值濾波 cv2.medianBlur()；
雙邊濾波 cv2.bilateralFilter()。
13
圖像固定閾值與自適應閾值
圖像閾值化是圖像處理的重要基礎部分，應用很廣泛，可以根據灰度差異來分割圖像不同部分，閾值化處理的圖像一般為單通道圖像(灰度圖)，核心要掌握的兩個函數：
固定閾值：cv2.threshold()；
自適應閾值：cv2.adaptiveThreshold()。
展開 自動駕駛感知數據閉環簡析
在首次獲取數據時，先初始化Kalman濾波器的各個矩陣參數，接下來對兩類數據進行預測和更新，最后輸出融合后障礙物的位置、速度。[1][2]
圖18. 數據前融合的步驟
圖片來源：智行者科技
上圖簡單介紹了智行者科技在傳感器數據前融合過程中的步驟，包括了采集及預處理、坐標轉換和信息融合。其中最有難度的部分就是信息融合，它包括了數據關聯、時間同步、數據融合、目標生命周期管理四個步驟。首先是在數據關聯階段，建立評價指標并選擇全局最近鄰匹配方法；第二步對多傳感器進行時間同步，選用了固定時漂和隨機時漂的方法； 第三步，使用粒子濾波算法融合數據;最后，對目標進行生命周期管理，提高融合后數據的魯棒性。
同樣地，通過標注前融合數據并訓練模型，可以得到適用于前融合數據的神經網絡，這種模型的輸出結果也是對同一物體的檢測結果，然后再進行物體跟蹤，不同的是，檢測跟蹤之后，不需要再次融合。
目前，很多主流公司都在朝著前融合的方式研究，這樣做的好處之一就是提前耦合了多種傳感器的數據，因此數據維度更加豐富，更能真實地反映場景。
數據輸出
在Apollo的感知框架中，最終輸出到下游的結果可以分為兩部分，一部分是車輛、行人等障礙物的數據，另一部分是交通信號燈的結果。場景中障礙物的數據可以通過上述的數據處理過程得到，而交通信號燈的結果則是通過一種多燈投票機制來得到的。
展開 
近十年的VI-SLAM算法綜述與發展
基 于 優 化 的 方 法 是 目 前 VI-SLAM 領 域 以 及SLAM 相關領域的熱點之一，非線性優化方法實現了相較于濾波方法更精確的狀態估計效果。但由于計算資源有限，目前的方法往往以犧牲一部分精度和路標點為代價換取系統的實時性。新型的優化器以及并行計算方法的出現有望進一步減少對計算資源的占用，但大范圍在線系統的實時性仍然是一個有待解決的問題。
3. 基于濾波的方案
不同濾波方法的分類如圖 9 所示，卡爾曼濾波器作為一種解決狀態估計問題的經典模型，主要存在 2 個問題。首先，它要求時序和測量方程是線性的，這個問題可以由 EKF 和 UKF 解決。其次，卡爾曼濾波器假設后驗分布是單峰分布的，而且需要通過均值和協方差來表達，因此，它針對物體的位姿只能有一個假設，并不能保證關于狀態的多個假設，這個問題可以由粒子濾波器(particle filter,PF) 解決。
圖9 SLAM 中不同濾波方法的分類
一個完整的 EKF 框架包括預測步驟和更新步驟。對于基于濾波的 VI-SLAM 方法，慣性傳感器能夠提供 3 軸的加速度和角速度，用于計算 3 維剛體運動的動態模型并在預測步驟中進行預測。相機能夠提供在特征和移動機器人之間的角度和距離測量結果，并在更新步驟中更新預測結果。
早期的 SLAM 工作主要是基于擴展卡爾曼濾波器，由 Smith 等基于早期的工作實現。Jones 等將 EKF 框架引入 VI-SLAM 系統。該系統實現了將狀態和參數作為在線程序的一部分進行估計，并用 EKF 框架進行了有效實現.Kelly 等將 UKF 框架引入 VI-SLAM 系統。該方法能夠在線、隨時校準更新位姿,比如正在進行的導航或建圖任務。
展開 無人機避障算法綜述
常用算法有粒子群算法、遺傳算法、蟻群算法、人工蜂群算法、布谷鳥算法等。
(1)粒子群算法(Particle Swarm Optimization, PSO)
粒子群算法是模擬自然界中鳥群覓食現象，通過種群迭代更新粒子位置和速度進行搜索空間最優解[19]。Tang等[20]將多智能粒子濾波器用在未知環境路徑規劃求解上，降低了計算量。Zhuang等[21]將PSO與勒讓德偽譜法結合，尋找更適合無人機運行的軌跡。Yan等[22]將PSO與路徑點制導算法結合，生成低功耗、更平滑的避撞路徑。Lim等[23]將PSO與量子物理結合，提出量子-粒子群優化算法(Quantum Behavior Particle Swarm Optimization, QPSO)生成光滑的無人機可飛路徑，同時降低計算量、提升效率。
(2)遺傳算法(Genetic Algorithm, GA)
遺傳算法是模擬自然界遺傳機理以及生物進化過程，通過基因的選擇、交叉、變異等操作，實現對最優值的搜索[24]。余文曌等[25]將GA與彈性網絡結合，降低搜索空間，提高搜索效率。Yan等[26]對GA模型進行改進，可以生成滿足航空器性能約束的解脫路徑，降低運行能耗。何光勤等[27]將GA應用在三維空間內的避障，將懲罰函數代入性能指標中，求解出的解脫路徑光滑性較好，適合航空器運行。
(3)蟻群算法(Ant Colony Optimization, ACO)
蟻群算法是模擬自然界中螞蟻覓食的生物行為而提出來的一種最優化搜索算法，具有并行計算、魯棒性好的特點，在無人機避障領域應用廣泛[28]。Wu等[29]將回退、死亡兩種策略加入到ACO中，促使螞蟻以更大概率達到最優目標位置，優化了算法搜索能力。
展開 無人機輸電線路智能巡檢技術綜述
在塔間區域，線路上通常不會有大量復雜的電力設備，幾乎不存在巡檢視線遮擋等問題，該階段無人機也不需要知道其確切位置，僅需保持安全距離的情況下沿導線飛行即可.因此，該階段自主導航研究主要為輸電線提取、跟蹤和距離估計[30-35].為了更好地利用導線的平行直線特性[36]，這類研究通常以俯拍視角的電力線路為主要對象.Menendez等[37]搭建了一個以微縮模型作為目標的試驗平臺，使用邊緣增強和霍夫變換檢測圖像中的平行線實現電力線提取，并通過對比當前圖像與已知參考高度下獲取的參考圖像中平行導線間隙的變化估算當前導線與鏡頭的距離(假定平行導線間隙不變)；并在后續研究[38]中使用高斯濾波及Gabor背景濾除改進了電力線提取算法，并融合慣性導航數據進行距離估算，但該方法需要將圖像傳至地面站處理，且無法在接近桿塔的區域使用.Nasseri等[39]提出一種基于粒子濾波的無人機航拍電力線檢測和跟蹤方法.Valipour等[36]提出一種基于高斯可控濾波器與概率霍夫線變換結合的導線檢測方法，并使用無跡卡爾曼濾波進行導線跟蹤.相較于無人機飛行于導線上方所獲得的俯拍圖像，無人機飛行于導線側面所采集的側拍圖像在大多數情況下背景更簡單，通常為單純的天空背景，雖然在側拍視角下導線失去了原本明顯的平行直線特征，但有效避免了復雜背景的干擾.利用這一特點，中科院譚民團隊[40]將無人機置于導線側面區域飛行，在簡單背景下進行導線提取，計算導線的消逝點(vanishing point，VP)，設計了一種基于深度學習技術的鐵塔檢測網絡Tower RCNN，結合VP與鐵塔檢測結果確定無人機飛行航向[41]；利用透視原理恢復輸電線之間的平行結構，通過計算當前幀與參考幀之間導線間隙變化與導線束相平面位移反推無人機與導線間的距離變化，從而控制導線與機體的安全距離[42].
展開 