Lokalisierung und Posenbestimmung
Verwenden Sie Lokalisierungs- und Posenschätzungsalgorithmen, um Ihr Fahrzeug in Ihrer Umgebung zu orientieren. Bei der Trägheitssensorfusion werden Filter verwendet, um Sensorwerte für IMU, GPS und andere zu verbessern und zu kombinieren. Lokalisierungsalgorithmen wie Monte-Carlo-Lokalisierung und Scan-Matching schätzen Ihre Position auf einer bekannten Karte anhand von Entfernungssensor- oder Lidar-Messwerten. Pose-Graphen verfolgen Ihre geschätzten Posen und können basierend auf Randbeschränkungen und Schleifenschlüssen optimiert werden.
Informationen zum Modellieren spezifischer Sensoren finden Sie unter Sensormodelle.
Informationen zur gleichzeitigen Lokalisierung und Zuordnung finden Sie unter SLAM.
Kategorien
- Trägheitssensorfusion
Trägheitsnavigation mit IMU und GPS, Sensorfusion, benutzerdefinierte Filterabstimmung
- Lokalisierungsalgorithmen
Partikelfilter, Scan-Matching, Monte-Carlo-Lokalisierung, Pose-Graphen, Odometrie
Enthaltene Beispiele
IMU- und GPS-Fusion für die Trägheitsnavigation
Dieses Beispiel zeigt, wie Sie einen IMU + GPS-Fusionsalgorithmus erstellen können, der für unbemannte Luftfahrzeuge (UAVs) oder Quadcopter geeignet ist.
Visual-Inertial Odometry Using Synthetic Data
Estimate the pose (position and orientation) of a ground vehicle using an inertial measurement unit (IMU) and a monocular camera. In this example, you:
Estimate Phone Orientation Using Sensor Fusion
MATLAB® Mobile™ reports sensor data from the accelerometer, gyroscope, and magnetometer on Apple or Android® mobile devices. Raw data from each sensor or fused orientation data can be obtained. This example shows how to compare the fused orientation data from the phone with the orientation estimate from the ahrsfilter object.
Schätzen Sie die Position und Ausrichtung eines Bodenfahrzeugs
Dieses Beispiel zeigt, wie die Position und Ausrichtung von Bodenfahrzeugen durch die Fusionierung von Daten einer Trägheitsmesseinheit (IMU) und eines GPS-Empfängers (Global Positioning System) geschätzt werden kann.
Landmark SLAM Using AprilTag Markers
Combine robot odometry data and AprilTag markers to implement SLAM with a factor graph and pose graph, and compare the results.
Reduce Drift in 3-D Visual Odometry Trajectory Using Pose Graphs
Reduce the drift in the estimated trajectory (location and orientation) of a monocular camera using 3-D pose graph optimization. Visual odometry estimates the current global pose of the camera (current frame). Because of poor matching or errors in 3-D point triangulation, robot trajectories often tends to drift from the ground truth. Loop closure detection and pose graph optimization reduce this drift and correct for errors.
Monocular Visual-Inertial Odometry (VIO) Using Factor Graph
Implement monocular visual-inertial odometry to localize a UAV using camera and IMU data, optimized by a factor graph.
