Cette page a été traduite par traduction automatique. Cliquez ici pour voir la version originale en anglais.

Algorithmes de localisation

Filtres particulaires, correspondance de scans, localisation Monte Carlo, graphes de pose, odométrie

Les algorithmes de localisation, comme la localisation Monte Carlo et la correspondance de scans, estiment votre position sur une carte connue à l'aide de relevés de capteurs de distance ou de lidar. Les graphes de pose suivent vos poses estimées et peuvent être optimisés en fonction des contraintes d'arêtes et des fermetures de boucles. Pour la localisation et la cartographie simultanées, voir SLAM.

Fonctions

développer tout

Estimation de l'état du filtre particulaire

`stateEstimatorPF`	Créer un estimateur d'état de filtre à particules
`resamplingPolicyPF`	Créer un objet de stratégie de rééchantillonnage avec les paramètres de rééchantillonnage

Correspondance des scans

`matchScans`	Estimer la pose entre deux scans laser
`matchScansGrid`	Estimer la pose entre deux analyses lidar à l'aide d'une recherche basée sur une grille
`matchScansLine`	Estimer la pose entre deux balayages laser à l'aide des caractéristiques linéaires
`transformScan`	Transform laser scan based on relative pose
`lidarScan`	Create object for storing 2-D lidar scan

Localisation Monte Carlo

`monteCarloLocalization`	Localize robot using range sensor data and map
`lidarScan`	Create object for storing 2-D lidar scan
`odometryMotionModel`	Créer un modèle de mouvement d'odométrie
`likelihoodFieldSensorModel`	Créer un modèle de capteur de plage de champ de vraisemblance

Graphiques de pose

`poseGraph`	Créer un graphique de pose 2D
`poseGraph3D`	Create 3-D pose graph
`poseGraphSolverOptions`	Options du solveur pour l'optimisation du graphique de pose
`optimizePoseGraph`	Optimiser les nœuds dans le graphique de pose
`trimLoopClosures`	Optimisez le graphique de pose et supprimez les mauvaises fermetures de boucles
`poseplot`	3-D pose plot (depuis R2021b)

Graphique des facteurs

`factorGraph`	Graphique biparti de facteurs et de nœuds (depuis R2022a)
`importFactorGraph`	Importer le graphique du facteur à partir du fichier journal g2o (depuis R2022a)
`factorIMU`	Convertir les lectures IMU en facteur (depuis R2022a)
`factorGPS`	Facteur pour la mesure GPS (depuis R2022a)
`factorTwoPoseSE2`	Facteur reliant deux poses SE (2) (depuis R2022a)
`factorTwoPoseSE3`	Relative pose factor connecting two SE(3) poses (depuis R2022a)
`factorPoseSE2AndPointXY`	Factor relating SE(2) position and 2-D point (depuis R2022b)
`factorPoseSE3AndPointXYZ`	Facteur reliant la position SE (3) et le point 3D (depuis R2022b)
`factorIMUBiasPrior`	Facteur préalable pour le biais de l'IMU (depuis R2022a)
`factorVelocity3Prior`	Facteur antérieur pour la vitesse 3D (depuis R2022a)
`factorPoseSE3Prior`	Facteur a priori à l'état complet pour la pose SE (3) (depuis R2022a)
`factorCameraSE3AndPointXYZ`	Facteur lié à la pose de la caméra SE(3) et au point 3D (depuis R2023a)
`estimateGravityRotation`	Estimer la rotation gravitationnelle à l’aide des mesures IMU et de l’optimisation du graphique factoriel (depuis R2023a)
`estimateGravityRotationAndPoseScale`	Estimer la rotation gravitationnelle et l'échelle de pose à l'aide des mesures IMU et de l'optimisation du graphique factoriel (depuis R2023a)
`estimateCameraIMUTransform`	Estimate transformation from camera to IMU sensor using calibration data (depuis R2024a)

Odométrie par encodeur de roue

`wheelEncoderOdometryAckermann`	Calculer l'odométrie du véhicule Ackermann à l'aide des tics de l'encodeur de roue et de l'angle de braquage
`wheelEncoderOdometryBicycle`	Compute bicycle odometry using wheel encoder ticks and steering angle
`wheelEncoderOdometryDifferentialDrive`	Calculer l'odométrie d'un véhicule à entraînement différentiel à l'aide des ticks de l'encodeur de roue
`wheelEncoderOdometryUnicycle`	Calculer l'odométrie du monocycle à l'aide des ticks de l'encodeur de roue et de la vitesse angulaire

Rubriques

Compose a Series of Laser Scans with Pose Changes
Use the matchScans function to compute the pose difference between a series of laser scans.
Minimize Search Range in Grid-based Lidar Scan Matching Using IMU
This example shows how to use an inertial measurement unit (IMU) to minimize the search range of the rotation angle for scan matching algorithms.
Monte Carlo Localization Algorithm
The Monte Carlo Localization (MCL) algorithm is used to estimate the position and orientation of a robot.
Particle Filter Workflow
A particle filter is a recursive, Bayesian state estimator that uses discrete particles to approximate the posterior distribution of the estimated state.
Particle Filter Parameters
To use the stateEstimatorPF (Robotics System Toolbox) particle filter, you must specify parameters such as the number of particles, the initial particle location, and the state estimation method.

Sélection d՚exemples

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.

Depuis R2023b
Ouvrir le live script

Factor Graph-Based Pedestrian Localization with IMU and GPS Sensors

Estimate the position of a pedestrian using logged sensor data from an inertial measurement unit (IMU) and Global Positioning System (GPS) receiver and a factor graph.

Ouvrir le live script

Map Indoor Area Using Lidar SLAM and Factor Graph

Implement offline lidar SLAM on collected lidar scans to map an indoor area using a factor graph and lidar scan map.

Ouvrir le live script

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.

Ouvrir le live script

Localize TurtleBot Using Monte Carlo Localization Algorithm

Apply the Monte Carlo Localization algorithm on a TurtleBot® robot in a simulated Gazebo® environment.

Ouvrir le live script

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.

Ouvrir le live script

Estimate Camera-to-IMU Transformation Using Extrinsic Calibration

Use extrinsic calibration to estimate SE(3) transformation from camera to IMU for VINS workflows.

Depuis R2024a
Ouvrir le live script