卡尔曼滤波 -- 从推导到应用(一) 机器人学 —— 机器人感知(Kalman Filter) 10.1 线性系统的状态差分方程 系统预测状态 = 转换矩阵A * 系统上次状态 + 转换矩阵B * 系统输入 + 系统噪声w 1. 其中x是系统的状态向量,大小为n * 1 列向量 [n , 1]。 2. A为转换矩阵,大小为 n * n。 A*x_ --...
这样说可能还不是很明晰,我们进一步看下原矩阵与基变换后矩阵协方差矩阵的关系: 设原始数据矩阵X对应的协方差矩阵为C,而P是一组基按行组成的矩阵, 设Y=PX,则Y为X对P做基变换后的数据。设Y的协方差矩阵为D,我们推导一下D与C的关系: D = 1/m * Y * Y转置 = 1/m *(PX)*(PX)转置 = 1/m * ...
(可能会逐渐丢失个体特性,可尝试使用正则粒子滤波,遗传算法,会使用交叉变异) 4、 对每个粒子的状态进行加权去估计目标的状态 通俗解释: 1、初始化阶段——计算目标特征,比如人体跟踪,就是人体区域的颜色直方图等,n*1的向量; 2、搜索化阶段
数学知识点滴积累 矩阵 数值优化 神经网络反向传播 图优化 概率论 随机过程 卡尔曼滤波 粒子滤波 数学函数拟合 - HBH-THU/Mathematics
卡尔曼滤波 -- 从推导到应用(一) 机器人学 —— 机器人感知(Kalman Filter) 10.1 线性系统的状态差分方程 系统预测状态 = 转换矩阵A * 系统上次状态 + 转换矩阵B * 系统输入 + 系统噪声w 1. 其中x是系统的状态向量,大小为n * 1 列向量 [n , 1]。 2. A为转换矩阵,大小为 n * n。 A*x_ ...
卡尔曼滤波 -- 从推导到应用(一) 机器人学 —— 机器人感知(Kalman Filter) 10.1 线性系统的状态差分方程 系统预测状态 = 转换矩阵A * 系统上次状态 + 转换矩阵B * 系统输入 + 系统噪声w 1. 其中x是系统的状态向量,大小为n * 1 列向量 [n , 1]。 2. A为转换矩阵,大小为 n * n。 A*x_ ...
数学知识点滴积累 矩阵 数值优化 神经网络反向传播 图优化 概率论 随机过程 卡尔曼滤波 粒子滤波 数学函数拟合 matrixprobabilityparticle-filtergraph-theorynumerical-optimizationbackpropagationkalman-filter Activity 265forks Releases No releases published Packages ...