概率机器人——卡尔曼滤波
前一篇贝叶斯滤波中提到了贝叶斯滤波不是一种实用的方法，没有办法在计算机中进行表达。是因为贝叶斯是一种抽象的滤波器，其中的置信度表示都是抽象的，没有明确的表达式，没有办法计算积分。尽管如此，贝叶斯给我们提供了一种关于状态最优估计的方法，本篇及后续可能更新的方法皆是贝叶斯滤波的实现方式。 1、高斯滤波 在正式介绍卡尔曼之前，需要先对高斯滤波做一个说明。 高斯滤波是一种递归状态估计器，为了解决贝
相关文章
- 1. 卡尔曼滤波器（1）
- 2. 卡尔曼滤波器
- 3. 3.3卡尔曼滤波器
- 4. 卡尔曼滤波
- 5. 卡尔曼滤波（联邦、一致性卡尔曼滤波）
- 6. 卡尔曼滤波与扩展卡尔曼滤波
- 7. 卡尔曼滤波系列——（四）无损卡尔曼滤波
- 8. 卡尔曼滤波(4)：拓展卡尔曼滤波
- 9. 卡尔曼滤波系列——（二）扩展卡尔曼滤波
- 10. 卡尔曼滤波说明
- 更多相关文章...
- • PHP 过滤器 - PHP教程
- • PHP FILTER_CALLBACK 过滤器 - PHP参考手册
- • 漫谈MySQL的锁机制
- • 使用Rxjava计算圆周率
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. 卡尔曼滤波器（1）
- 2. 卡尔曼滤波器
- 3. 3.3卡尔曼滤波器
- 4. 卡尔曼滤波
- 5. 卡尔曼滤波（联邦、一致性卡尔曼滤波）
- 6. 卡尔曼滤波与扩展卡尔曼滤波
- 7. 卡尔曼滤波系列——（四）无损卡尔曼滤波
- 8. 卡尔曼滤波(4)：拓展卡尔曼滤波
- 9. 卡尔曼滤波系列——（二）扩展卡尔曼滤波
- 10. 卡尔曼滤波说明