無跡卡爾曼濾波
關注創建者：正一算法程序 創建時間：2019-03-03
無跡卡爾曼濾波的視頻教程
1-90基于matlab的無跡卡爾曼濾波器參數估計的非線性最小二乘優化
基于matlab的無跡卡爾曼濾波器參數估計的非線性最小二乘優化，數據可更換自己的，程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。
￥9.9 1分鐘 2播放
查看
卡爾曼濾波和MATLAB程序詳解視頻算法與實時技術信號處理
分鐘，有程序） 29、KF18_基于角度方位的二維目標跟蹤問題用EKF方法分析（49分鐘，有程序） 第七章 ?無跡卡爾曼濾波(UKF)處理非線性離散隨機系統及其應用 30、KF19_1擴展卡爾曼濾波缺陷與UKF方法引入與無跡變換流程（39分鐘） 31、KF19_2無跡卡爾曼濾波介紹及思考問題（16分鐘） 32、KF20_1觀測距離的跟蹤問題狀態及觀測方程與UKF流程程序實現（34分鐘）
￥238 29小時24分鐘 2421播放
查看
粒子濾波PF及MATLAB程序詳解視頻和輔助及正則粒子濾波RPF實時跟蹤
需要了解卡爾曼濾波基礎，36分鐘，有程序） 17、PF17_粒子濾波處理二維運動粒子對象的跟蹤實例及其效果分析（44分鐘，有程序） 18、PF18_粒子濾波對比擴展及無跡卡爾曼濾波方法分析非線性數模問題（需要了解擴展卡爾曼濾波和無跡卡爾曼濾波基礎，53分鐘，有程序） ? ?第五章 ?粒子濾波(PF)處理視頻跟蹤問題 19、PF19_1.視頻人物視覺跟蹤中的顏色RGB及HSV模式處理方法
￥250 3小時27分鐘 602播放
查看
無跡卡爾曼濾波的實例教程
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。
視頻課程
卡爾曼濾波算法與應用和MATLAB程序詳解視頻實時技術信號處理
視頻包含8章45個視頻。主要內容簡介： 卡爾曼濾波數學模型及MATLAB程序，卡爾曼濾波所需數學知識， 標準卡爾曼濾波(KF)處理線性離散隨機系統， 擴展卡爾曼濾波(EKF)處理非線性微分隨機系統， 無跡卡爾曼濾波(UKF)處理非線性離散隨機系統， 交互多模型(IMM)濾波處理出現機動轉彎的運動物體跟蹤等。
經驗模態分解EMD算法和希爾伯特黃變換HHT和MATLAB程序視頻
本系列課程，在希爾伯特變換(HT)、希爾伯特-黃變換(HHT)和EMD算法的端點效應處理方面，進行了全面地、深入地設計與講解。
最小二乘法回歸分析算法及多項式非線性擬合和MATLA程序視頻
整個視頻課程在一元線性回歸、可線性化的曲線模型、多元線性回歸、自變量選擇方法、一元或多元多項式非線性回歸和相關分析等方面，進行了全面地、系統地、深入地設計與講解。
卷積神經網絡(CNN)識別數字和英文字母與MATLAB程序詳解視頻答疑
卷積神經網絡視頻課程下載包括7章55個視頻，主要內容包括：卷積神經網絡算法的影響力及其研究領域簡介、神經網絡基本概念、BP神經網絡及其應用到分類識別不同信號等等。
非局部均值濾波（NL_Means）類算法及其應用和MATLAB程序詳解視頻
本課程共25個章節，其主要內容包括：非局部均值濾波類算法的影響力及其研究領域簡介、非局部均值濾波類算法入門、基于濾波參數自適應的非局部均值濾波算法等等。
展開 因此，在一些研究反步，神經網絡，計算扭矩方法和數字濾波器（如擴展/無跡卡爾曼濾波器（EKF / UKF））的研究中，通過使用控制技術來提高其AUV性能，SMC得到了改進。
上述評估導致我們選擇PID和反步的組合來執行AUV控制器的連續模型演化，稱為積分反步（IB）技術。
在開發新的AUV應用的生命周期時，還必須考慮可重用性，以降低成本和資源。對象管理組織（OMG）標準化了統一建模語言（UML），該語言是用于可視化，指定，構造和記錄軟件密集型系統工件的行業標準。系統建模語言（SysML）由OMG標準化用于系統工程。SysML是UML的擴展，可以提供簡單但功能強大的構造，用于對各種系統工程問題進行建模。然而，UML和SysML的缺點是它們缺乏對已開發系統的內部連續行為的演變進行建模的能力。
另一方面，基于模型的系統工程（MBSE）方法由INCOSE形式化，以在復雜系統的開發生命周期中對整個工件進行穩健建模。在對MBSE方法的調查中發現了系統工程方法的例子，包括Magic Grid，Harmony-SE，面向對象的系統工程方法（OOSEM），系統工程的合理統一過程（RUP-SE），狀態分析方法和對象過程方法（OPM）。模型驅動架構（MDA）由OMG標準化，用于將系統操作規范與系統如何使用其平臺功能的細節分開。MDA 的三個主要目標是通過架構關注點分離實現可移植性、互操作性和可重用性。在這里，可移植性允許在新的或多個平臺上實現相同的解決方案，互操作性創建了可以輕松與其他系統集成和通信并使用各種資源應用的系統，而可重用性構建了可以在不同上下文中的許多不同應用中重用的解決方案。Sebastián等人通過在2008年至2018年期間對軟件工程中的MDA文獻進行系統映射來調查MDA應用。
展開 設計的底盤集成控制算法主要由三部分組成：(1) 考慮參數不確定性、外部擾動、測量噪聲和未建模的動力學特性，利用μ合成方法設計用于路徑跟蹤的魯棒控制器；(2) 提出了控制分配算法，基于加權最小二乘法將輸出扭矩需求分配給每個輪轂電機；(3) 考慮到車輛橫向速度是路徑跟蹤控制的關鍵狀態變量，由于使用低成本傳感器不易測量，因此利用無跡卡爾曼濾波器設計了狀態觀測器，進行橫向速度的估計。為了驗證所設計的底盤集成控制算法的性能，在MATLAB/Simulink中進行了單車道變換、彎道變換和雙車道變換等三種仿真工況，并在CarSim中構建了精度較高的整車模型。將提出的底盤集成控制算法與其他三種控制算法，即主動前轉向、四輪轉向和主動前轉向+直接橫擺力矩控制進行比較，仿真結果表明底盤集成控制算法具有更好的路徑跟蹤性能和操控穩定性。同時，在車速變化和不同路況下也驗證了底盤集成控制算法的魯棒性能。
關鍵詞：四輪轉向，直接橫擺力矩控制，路徑跟蹤，魯棒控制
1 引言
近年來，隨著擁堵、事故等各種交通問題的增多，自動駕駛技術成為智能交通系統（ITS）解決上述問題的新興研究熱點。路徑跟蹤是自主地面車輛（AGV）的基本能力和主要任務，因此為了使車輛自動跟蹤目標路徑，需要設計路徑跟蹤控制器，以實現包括橫向位移和橫擺角誤差等的跟蹤誤差最小。
近年來，許多研究人員對AGV的路徑跟蹤控制問題進行了研究。
展開 圖9.AUV安裝用于試航
圖 10.AUV達到并遵循所需的矩形軌跡：（a）使用擴展卡爾曼濾波器（EKF）算法;（b） 使用無跡卡爾曼濾波 （UKF） 算法
圖 11.AUV達到并遵循所需的三角形軌跡：（a）使用EKF算法;（b）使用UKF算法
表 4.魚雷形AUV航向跟蹤的測試結果
通過與相關文獻獲得的測試結果進行比較，該電流AUV控制器在穩定間隔和軌跡誤差方面均優于穩定間隔和軌跡誤差，分別降低了約0.7 s和0.90 m。UKF使得估計更加準確，盡管UKF中的運算，例如無跡變換（UT），即算法2中的UT函數，可能看起來比EKF更復雜，但張柏強等人和Raitoharju和Piché深入研究了對各種卡爾曼濾波器擴展應用的實際計算復雜性和優化的評估。
表5描述了使用MBSE方法結合MDA組件對上述AUV應用的評估。
表 5.評估基于模型的系統工程（MBSE）方法結合模型驅動架構（MDA）的魚雷形AUV控制應用
（CIM，獨立于計算的模型；PIM，獨立于平臺的模型；PSM，特定于平臺的模型；IDE，實現開發環境；OMG，對象管理組；XML，可擴展的標記語言；MOF，元對象工具；UML，統一建模語言；SysML，系統建模語言）。
展開 
無跡卡爾曼濾波的相關專題、標簽、搜索
無跡卡爾曼濾波的最新內容
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。
圖9.AUV安裝用于試航
圖 10.AUV達到并遵循所需的矩形軌跡：（a）使用擴展卡爾曼濾波器（EKF）算法;（b） 使用無跡卡爾曼濾波 （UKF） 算法
圖 11.AUV達到并遵循所需的三角形軌跡：（a）使用EKF算法;（b）使用UKF算法
表 4.魚雷形AUV航向跟蹤的測試結果
因此，在一些研究反步，神經網絡，計算扭矩方法和數字濾波器（如擴展/無跡卡爾曼濾波器（EKF / UKF））的研究中，通過使用控制技術來提高其AUV性能，SMC得到了改進。
上述評估導致我們選擇PID和反步的組合來執行AUV控制器的連續模型演化，稱為積分反步（IB）技術。
在開發新的AUV應用的生命周期時，還必須考慮可重用性，以降低成本和資源。
一種基于無跡卡爾曼濾波的UUV協同定位方法[J]. 魚雷技術, 2011, 19(3): 205-208.
LIU Mingyong, SHEN Junyuan, ZHANG Jiaquan, et al. A cooperative localization method of UUV based on unscented Kalman filter[J].
泰勒級數展開和無跡變換分別表征擴展卡爾曼濾波器和無跡卡爾曼濾波器，其中兩個是卡爾曼濾波器最常見的非線性擴展。
②狀態空間模型
圖像特征的測量在圖像坐標中可用，但在慣性坐標中需要 DATMO 上下文中的目標軌跡。使用圖像平面測量在慣性空間中進行跟蹤將需要非線性近似技術，然而，非線性估計方法的實現將顯著增加跟蹤器的計算需求。
圖2 緊耦合和松耦合的示意圖
而VI-SLAM根據后端優化方法的不同，分為基于濾波和基于優化 2 類方法，在濾波方法中,傳統的 EKF(擴展卡爾曼濾波器) 、UKF(無跡卡爾曼濾波器)、改進的 MSCKF(多狀態約束卡爾曼濾波器) 和OpenVins都取得了一定的成果。現階段基于優化的方法則慢慢占據了主流。
2.
設計的底盤集成控制算法主要由三部分組成：(1) 考慮參數不確定性、外部擾動、測量噪聲和未建模的動力學特性，利用μ合成方法設計用于路徑跟蹤的魯棒控制器；(2) 提出了控制分配算法，基于加權最小二乘法將輸出扭矩需求分配給每個輪轂電機；(3) 考慮到車輛橫向速度是路徑跟蹤控制的關鍵狀態變量，由于使用低成本傳感器不易測量，因此利用無跡卡爾曼濾波器設計了狀態觀測器，進行橫向速度的估計。
Tamjidi等融合激光雷達數據和單目相機數據,提出了基于單點RANSAC-擴展卡爾曼濾波方法SLAM算法,用于無人機動平臺在無GPS信號環境下的位置估計,其估計誤差小于總路徑長度的1.9%[63].Su等提出了一種結合擴展卡爾曼濾波-無跡卡爾漫濾波的無人機動平臺的SLAM算法,該方法被證明比傳統擴展卡爾曼濾波-SLAM算法有更高的位置精度和航向精度[64]。
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
主要內容簡介： 卡爾曼濾波數學模型及MATLAB程序，卡爾曼濾波所需數學知識， 標準卡爾曼濾波(KF)處理線性離散隨機系統， 擴展卡爾曼濾波(EKF)處理非線性微分隨機系統， 無跡卡爾曼濾波(UKF)處理非線性離散隨機系統， 交互多模型(IMM)濾波處理出現機動轉彎的運動物體跟蹤等。
