擴(kuò)展卡爾曼濾波的案例
239 基于matlab的EKF(擴(kuò)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(jié)果比較 ￥19.89
基于matlab的EKF(擴(kuò)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(jié)果比較，輸出估計誤差，并單獨對粒子濾波進(jìn)行估計及其置信區(qū)間可視化。程序已調(diào)通，可直接運(yùn)行。
基于matlab的擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF） ￥9.9
基于matlab的擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF），通過卡爾曼濾波算法近似計算系統(tǒng)的狀態(tài)估計值和方差估計值,對信號進(jìn)行濾波。程序已調(diào)通，可直接運(yùn)行。需要直接拍下，拍下發(fā)我郵箱。標(biāo)價為程序價格，不包含售后。程序保證可直接運(yùn)行。
MATLAB基于卡爾曼濾波的鋰蓄電池SOC設(shè)計
來源： 電力MATLAB
用自適應(yīng)卡爾曼濾波方法，基于鋰離子動力電池等效電路模型，在未知干擾噪聲環(huán)境下，在線估計電動汽車鋰離子動力電池荷電狀態(tài)（SOC）。
相比于其它電池模型，等效電路模型可以更直觀地表現(xiàn)輸入與輸出，即電流與電壓間的關(guān)系，易于用數(shù)學(xué)解析式表達(dá)，便于電池分析及模型參數(shù)辨識。
采用基本卡爾曼濾波和擴(kuò)展卡爾曼濾波方法估計電池SOC時，?一般假定噪聲為零均值白噪聲，且噪聲方差已知。在噪聲確定的情況下，基本卡爾曼濾波和擴(kuò)展卡爾曼濾波方法的估計效果很好，但實際上白噪聲不存在。
SAMCEF在模態(tài)分析及轉(zhuǎn)子動力學(xué)-磁懸浮軸承支撐參數(shù)方面的應(yīng)用
分析結(jié)果表明，利用SAMCEF軟件對超聲波電機(jī)進(jìn)行分析被證明是一種行之有效的方法
論文（2）將系統(tǒng)的激勵方式改為瞬態(tài)激勵，修改擴(kuò)展卡爾曼濾波算法中系統(tǒng)輸入項，分別運(yùn)用samcef仿真及搭建的基于沖擊激勵的磁懸浮軸承轉(zhuǎn)子剛度阻尼測試與辨識試驗平臺進(jìn)行實驗，通過采集信號及數(shù)據(jù)處理獲得了系統(tǒng)在沖擊激勵下的軸承處位移響應(yīng)，并分別通過擴(kuò)展卡爾曼濾波和傳遞矩陣方法辨識了磁懸浮軸承的剛度阻尼。
下載鏈接：http://pan.baidu.com/s/1c0Tsc9M
2-12 基于CV模型卡爾曼濾波、CT模型卡爾曼濾波、IMM模型濾波的目標(biāo)跟蹤 ￥15.9
基于CV模型卡爾曼濾波、CT模型卡爾曼濾波、IMM模型濾波的目標(biāo)跟蹤。輸出跟蹤軌跡及其誤差。程序已調(diào)通，可直接運(yùn)行。
程增木：激光雷達(dá)與攝像頭信息融合之路
每個模型都有各自的過濾器，整體估值是對每個濾波器的加權(quán)進(jìn)行處理。用的最多的一種方法是卡爾曼濾波器。
在在無人駕駛中，目前效果比較好的是無損卡爾曼濾波（UKF）辦法。它可以解決傳統(tǒng)卡爾曼濾波算法中一些限制化因素，并擴(kuò)展卡爾曼濾波。擴(kuò)展卡爾曼濾波主要是解決一些非線性化場景，但它有一個致命的問題，即時延。對于智能網(wǎng)聯(lián)汽車、無人駕駛這種需要非常強(qiáng)時效性的應(yīng)用來說，需要解決時延問題，而擴(kuò)展卡爾曼濾波恰好完美解決了兩個問題。
在建模過程中，一般采用二次運(yùn)動模型，主要是以下兩種，其中一個是CTRA作為進(jìn)行跟蹤模型建模。不同的是，擴(kuò)展卡爾曼濾波是直線加速度，而我們作為預(yù)判的是角加速度，是系統(tǒng)的處理噪聲。在UKF中噪聲可以用一個狀態(tài)轉(zhuǎn)移矩陣表示。用這個過程可以達(dá)到比較好的跟蹤效果。
L4級的Nexo
程增木還展示了現(xiàn)代集團(tuán)的輕燃料L4級車型Nexo。他介紹說，該車從首爾開到釜山，搭載了各種傳感器。車設(shè)計中有一個按鍵，可以直接啟動自動駕駛。它用攝像頭識別物體，在隧道中，GPS不好用，這時用航向補(bǔ)償，可以測前方車速。目前，立交橋和交叉路口是比較難做的，因為交叉路口上下堆疊的關(guān)系比較難處理。在非常高曲率過彎的極限狀況下，行人識別、三岔口交通識別，目前都能做到，還有一些交通標(biāo)志的識別，這也是L4級比較基礎(chǔ)的功能，也包括轉(zhuǎn)盤工況。
技術(shù)展望：域控制器
程增木最后展望了未來的技術(shù)發(fā)展。兩個主方向一是域控制器，二是以太網(wǎng)，L4交互必須有以太網(wǎng)。他結(jié)合豐田的域控制器架構(gòu)介紹說，域控制器最初的邏輯并不是為了減少車輛ECU數(shù)量，而是為了整合數(shù)據(jù)，增強(qiáng)計算能力。
展開 187基于matlab的彈道目標(biāo)跟蹤濾波方法 ￥19.89
基于matlab的彈道目標(biāo)跟蹤濾波方法，擴(kuò)展卡爾曼濾波（extended Kalman filter, EKF）、轉(zhuǎn)換測量卡爾曼濾波（conversion measurement Kalman filter, CMKF）跟蹤濾波，得到距離、方位角、俯仰角誤差結(jié)果。程序已調(diào)通，可直接運(yùn)行。
基于matlab的卡爾曼濾波 ￥9.9
基于matlab的卡爾曼濾波，可更改 狀態(tài)轉(zhuǎn)移方程， 控制輸入，觀測方程，設(shè)置生成的信號的噪聲標(biāo)準(zhǔn)差，設(shè)置狀態(tài)轉(zhuǎn)移方差Q和觀測方差R等參數(shù)，程序已調(diào)通，需要直接排下。標(biāo)價為程序價格，不包含售后。程序保證可直接運(yùn)行。
216 基于matlab的機(jī)動目標(biāo)跟蹤濾波方法 ￥25.5
基于matlab的機(jī)動目標(biāo)跟蹤濾波方法，勻加速模型（CA）、多模型有交互式多模型（IMM）、擴(kuò)展卡爾曼濾波（EKF）、不敏卡爾曼濾波（UKF）進(jìn)行跟蹤濾波。程序已調(diào)通，可直接運(yùn)行。
17基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結(jié)果，判斷算法的跟蹤精確性 ￥20
基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結(jié)果，判斷算法的跟蹤精確性，程序已調(diào)通，可直接運(yùn)行，基于MATLAB平臺，可直接拍下。
17基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結(jié)果，判斷算法的跟蹤精確性 ￥20
基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結(jié)果，判斷算法的跟蹤精確性，程序已調(diào)通，可直接運(yùn)行，基于MATLAB平臺，可直接拍下。
近十年的VI-SLAM算法綜述與發(fā)展
MSCKF 是一種基于擴(kuò)展卡爾曼濾波器的 VI-SLAM 框架。在傳統(tǒng)EKF 框架中，特征點信息會加入到狀態(tài)向量和協(xié)方差矩陣?yán)铮@會加大矩陣維度，增加計算量，如圖 10 所示。而MSCKF 則在狀態(tài)向量里只添加窗口內(nèi)的相機(jī)狀態(tài)，而忽略特征點，減少計算量。同時系統(tǒng)一般采用IMU靜態(tài)初始化，系統(tǒng)啟動后需要靜止一段時間，才能初始化成功，該系統(tǒng)沒有回環(huán)檢測功能。MSCKF 工作的最主要貢獻(xiàn)在于推導(dǎo)出一種測量模型，該模型能夠表達(dá)從多個相機(jī)位姿觀察到靜態(tài)特征時出現(xiàn)的幾何約束。系統(tǒng)中維護(hù)一個位姿的滑動窗口，如果一個特征點在滑動窗口內(nèi)的幾個位姿都被觀察到的話就會在這幾個位姿間建立約束.這種方法用一個特征點約束多個相機(jī)位姿，從而進(jìn)行 KF 的更新，舊的特征點和滑動窗口之外的相機(jī)姿態(tài)則被丟棄。近幾年，許多基于 MSCKF 的工作相繼提出，框架整體的精度和魯棒性得到了不斷的提升。
圖10 MSCKF、EKF-SLAM 的示意圖
蘇黎世聯(lián)邦理工學(xué)院無人系統(tǒng)實驗室(Autono-mous Systems Lab,ASL)的 Bloesch 等提出了一種基于迭代擴(kuò)展卡爾曼濾波器(IEKF)的直接法單目視覺慣性里程計，簡稱 ROVIO(robust visual inertialodometry) 。如圖 11所示，該算法將視覺信息和IMU信息進(jìn)行緊耦合的一種視覺慣性測量單元。數(shù)據(jù)融合的方法主要是通過迭代卡爾曼濾波來進(jìn)行的。對于視覺方面的信息，作者主要是通過將路標(biāo)點在圖像中對應(yīng)的點周圍的圖像塊做為路標(biāo)點的描述子，從而得到光度誤差。然后將光度誤差進(jìn)行變換得到IEKF中的innovation term，進(jìn)而進(jìn)行濾波狀態(tài)的更新。
展開 一文洞悉Python必備50種算法
相關(guān)閱讀：
概率機(jī)器人學(xué)
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(xiàn)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(guān)閱讀：
利用無差別訓(xùn)練過的無損卡爾曼濾波進(jìn)行機(jī)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(xiàn)傳感器混合本地化。
藍(lán)線為真實路徑，黑線為導(dǎo)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(shè)機(jī)器人能夠測量與地標(biāo)（RFID）之間的距離。
PF本地化會用到該測量結(jié)果。
相關(guān)閱讀：
概率機(jī)器人學(xué)
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(xiàn)二維本地化的例子。
紅十字是實際位置，黑點是RFID的位置。
藍(lán)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(shù)，yaw已知。
展開 鋰離子動力電池壽命預(yù)測的研究進(jìn)展
林慧龍等提出一種粒子濾波算法(PF)來預(yù)測電池壽命，并與擴(kuò)展卡爾曼濾波算法(EKF)進(jìn)行了對比，發(fā)現(xiàn)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(kuò)展卡爾曼濾波，結(jié)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(biāo)準(zhǔn)PF 和正則化PF算法相比較，結(jié)果表明該方法預(yù)測精度更高。
b. 數(shù)據(jù)驅(qū)動法
數(shù)據(jù)驅(qū)動法不需要了解電池內(nèi)部的物理和化學(xué)變化，通過分析電池健康狀態(tài)信息進(jìn)行剩余壽命預(yù)測。Liu 等提出了一種利用灰色模型的電池剩余壽命預(yù)測方法，但GM(1,1)模型在進(jìn)行長期預(yù)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(jié)果表明，該方法預(yù)測精度較高。Long 等利用改進(jìn)的自回歸(AR)模型對鋰離子電池退化容量進(jìn)行跟蹤，在模型定階時采用粒子群算法，實現(xiàn)對電池的壽命預(yù)測，結(jié)果具有較高的精度。龐曉瓊等提出了一種結(jié)合主成分分析特征融合與非線性自回歸神經(jīng)網(wǎng)絡(luò)(PCANARX)的預(yù)測方法,對電池的壽命進(jìn)行預(yù)測，經(jīng)仿真后得出了該方法的有效性，其預(yù)測誤差小、適用性強(qiáng)，如圖1所示。
聶僥等建立了一種雙并聯(lián)離散過程神經(jīng)網(wǎng)絡(luò)模型，并與標(biāo)準(zhǔn)的過程神經(jīng)網(wǎng)絡(luò)預(yù)測所得的結(jié)果進(jìn)行比較，該方法不僅實現(xiàn)了過程神經(jīng)網(wǎng)絡(luò)不具備的權(quán)值在線更新功能，而且預(yù)測效果更好，如表3所示。
c.
展開 高精地圖構(gòu)建與SLAM感知優(yōu)化建圖策略
圖片來源：地平線
詳細(xì)的SLAM建圖構(gòu)建算法概述
SLAM 是一個龐大的理論體系，涉及傳感器處理、貝葉斯濾波、非線性優(yōu)化、地圖的表示、圖形處理等各方面的相關(guān)理論。早期 SLAM 的基本理論是以擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）為代表的濾波方法為主。
如下圖所示表示了一種典型的 SLAM 系統(tǒng)建圖方法，系統(tǒng)主要由前端（front-end）和后端（back-end）兩個部分組成，前端根據(jù)傳感器觀測到的環(huán)境信息估計車輛的位姿，然后將車輛的位姿信息傳遞給后端進(jìn)行優(yōu)化估計，得到具有全局一致性的地圖，最后得到整體的 SLAM 估計。SLAM 的前端算法包括了特征提取和數(shù)據(jù)關(guān)聯(lián)兩部分。特征不但可以用來確定機(jī)器人的位置，而且可以用來進(jìn)行閉環(huán)檢測，從而構(gòu)建具有全局一致性的環(huán)境地圖。因此特征提取是 SLAM 研究中非常重要的一個環(huán)節(jié)。
目前在 SLAM 的研究中，前端主要是以濾波的方法獲得車輛位姿的更新信息，后端則大多是基于優(yōu)化的方法對機(jī)器人全局的位姿和地標(biāo)信息進(jìn)行優(yōu)化。
基于視覺感知的SLAM基礎(chǔ)建圖構(gòu)建
在SLAM算法構(gòu)建中，前視攝像頭/激光雷達(dá)化身“智能采集終端”，眾包生產(chǎn)“動態(tài)高精地圖數(shù)據(jù)”，動態(tài)高精地圖的本質(zhì)是實時交通數(shù)據(jù)的時空載體，眾包數(shù)據(jù)是高頻更新的核心。主要通過如下幾個步驟進(jìn)行實時建圖：
1）實時構(gòu)建高精度地圖：即基于視覺或激光點云數(shù)據(jù)建圖，并與云端融合冷啟動從0-1構(gòu)建全路網(wǎng)高精地圖提升高精地圖“廣度”。
展開 