卡尔曼SLAM
B是初始位置然后走了一步到X位置P（B）（在初始位置的可能性）*P（X|B）（在B初始位置可能性的基础上X的可能性）=P（X）（在X位置的可能性） 在预测的同时得到了观测Ｚ，B到X传感器得到观测数据Z，然后根据观测（P（Z｜X，B））和预测（P（X｜B））更新ｐ（Ｘ｜Ｚ，Ｂ）（贝叶斯） 预测的分布 观测的分布 举个日常生活的例子： 假设你有两个传感器，测的是同一个信号。可是它们每次的读数都不太一样
相关文章
- 1. SLAM学习——卡尔曼滤波（KF/EKF）
- 2. [PR-3]ArUco EKF SLAM 扩展卡尔曼SLAM
- 3. 卡尔曼
- 4. 卡尔曼滤波
- 5. 卡尔曼详解
- 6. 卡尔曼滤波（联邦、一致性卡尔曼滤波）
- 7. 卡尔曼滤波与扩展卡尔曼滤波
- 8. 卡尔曼滤波原理(二)：扩展卡尔曼
- 9. 卡尔曼滤波系列——（四）无损卡尔曼滤波
- 10. 卡尔曼滤波(4)：拓展卡尔曼滤波
- 更多相关文章...
- • ionic 卡片 - ionic 教程
- • ionic tab(选项卡) - ionic 教程
- • NewSQL-TiDB相关
- • RxJava操作符（七）Conditional and Boolean
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. SLAM学习——卡尔曼滤波（KF/EKF）
- 2. [PR-3]ArUco EKF SLAM 扩展卡尔曼SLAM
- 3. 卡尔曼
- 4. 卡尔曼滤波
- 5. 卡尔曼详解
- 6. 卡尔曼滤波（联邦、一致性卡尔曼滤波）
- 7. 卡尔曼滤波与扩展卡尔曼滤波
- 8. 卡尔曼滤波原理(二)：扩展卡尔曼
- 9. 卡尔曼滤波系列——（四）无损卡尔曼滤波
- 10. 卡尔曼滤波(4)：拓展卡尔曼滤波