前言 上一篇中详细阐述了概率论的几个基本定理——概率密度函数、贝叶斯公式及推断、矩以及归一化积。 本篇将在上一篇的基础上,围绕高斯随机过程展开,详细讨论高斯概率密度函数的定义及相关性质。 高斯概率密度函数 首先,我们先来看一下一维情况下的高斯概率密度函数: 其中,μ为均值,为方差,σ为标准差。 下面我们扩展到多维变量的情况。当随机变量,多维变量的高斯分布服从,其概率密度函数可写为
前言 状态估计与控制是机器人学中两个避不开的问题,对于无人机而言亦是如此。如何在理解无人机模型的基础上,利用传感器信息,尽可能准确地估计一组完整描述它随时间运动的物理量,如位置、速度、加速度、角度、角速度等等,是状态估计领域要解决的最主要问题。 稳定、准确的状态估计是无人机稳定控制的基础。本篇将讨论状态估计与概率论之间的联系。 状态估计问题的定义 状态估计的过程是理解传感器本质的过
前言 上一篇中,我们初步了解了多旋翼无人机最常用,也是最核心的几种传感器——IMU、气压计、磁力计、GPS。基于以上几种传感器,我们能够搭建一套完整的组合导航系统,从而对无人机的姿态、速度、位置等信息进行最优估计。 然而,仅仅有以上几种传感器的无人机,相当于是一个 “瞎子”,它缺少对飞行环境的感知能力,即无法得知自身与环境的相对关系,也就无法对变化的环境做出应对策略。 为了让无人机拥有
前言 本专题将从新手的角度,逐步揭开无人机导航系统的神秘面纱。 传感器作为无人机的重要组成部分,承担了无人机系统对于环境信息以及自身状态采集的重担。大部分的导航算法都离不开对传感器原理的深入了解。 例如,针对不同的传感器应该选择使用何种数字滤波器?状态估计算法的观测方程与运动方程如何设计?估计算法的噪声如何选择等等。诸如此类问题的解决,都需要对所采用的传感器本身,或者说对传感器模型有着深入
从零开始搭建无人机导航系统
博客
泡泡
积分
勋章
从零开始搭建无人机导航系统(四)——状态估计与概率论(二)
从零开始搭建无人机导航系统(三)——状态估计与概率论(一)
从零开始搭建无人机导航系统(二)——初识传感器(二)
从零开始搭建无人机导航系统(一)——初识传感器(一)
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