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

Algorithmes de localisation

Filtres à particules, scan matching, localisation Monte Carlo, graphiques de pose, odométrie

Les algorithmes de localisation, comme la localisation Monte Carlo et la correspondance par balayage, estiment votre pose sur une carte connue à l'aide d'un capteur de distance ou de lectures lidar. Les graphiques de pose suivent vos poses estimées et peuvent être optimisés en fonction des contraintes de bord et des fermetures de boucles. Pour la localisation et le mappage simultanés, voir CLAQUER.

Fonctions

développer tout

Estimation de l’état du filtre à particules

`stateEstimatorPF`	Créer un estimateur d'état de filtre à particules
`resamplingPolicyPF`	Créer un objet de stratégie de rééchantillonnage avec les paramètres de rééchantillonnage (depuis R2019b)

Correspondance de numérisation

`matchScans`	Estimer la pose entre deux scans laser (depuis R2019b)
`matchScansGrid`	Estimer la pose entre deux analyses lidar à l'aide d'une recherche basée sur une grille (depuis R2019b)
`matchScansLine`	Estimer la pose entre deux balayages laser à l'aide des caractéristiques linéaires (depuis R2020a)
`transformScan`	Transformer le scan laser en fonction de la pose relative
`lidarScan`	Create object for storing 2-D lidar scan (depuis R2019b)

Localisation de Monte-Carlo

`monteCarloLocalization`	Localize robot using range sensor data and map (depuis R2019b)
`lidarScan`	Create object for storing 2-D lidar scan (depuis R2019b)
`odometryMotionModel`	Créer un modèle de mouvement d'odométrie (depuis R2019b)
`likelihoodFieldSensorModel`	Créer un modèle de capteur de plage de champ de vraisemblance (depuis R2019b)

Graphiques de pose

`poseGraph`	Créer un graphique de pose 2D (depuis R2019b)
`poseGraph3D`	Create 3-D pose graph (depuis R2019b)
`poseGraphSolverOptions`	Options du solveur pour l'optimisation du graphique de pose (depuis R2020b)
`optimizePoseGraph`	Optimiser les nœuds dans le graphique de pose (depuis R2019b)
`trimLoopClosures`	Optimisez le graphique de pose et supprimez les mauvaises fermetures de boucles (depuis R2020b)
`poseplot`	3-D pose plot (depuis R2021b)

Graphique des facteurs

`factorGraph`	Graphique biparti de facteurs et de nœuds (depuis R2022a)
`factorGraphSolverOptions`	Options du solveur pour le graphique de facteurs (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)
`factorIMUParameters`	Paramètres du facteur IMU (depuis R2023a)
`factorGPS`	Facteur pour la mesure GPS (depuis R2022a)
`factorTwoPoseSE2`	Facteur reliant deux poses SE (2) (depuis R2022a)
`factorTwoPoseSE3`	Factor relating 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)

Odométrie d'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 (depuis R2020b)
`wheelEncoderOdometryBicycle`	Compute bicycle odometry using wheel encoder ticks and steering angle (depuis R2020b)
`wheelEncoderOdometryDifferentialDrive`	Calculer l'odométrie d'un véhicule à entraînement différentiel à l'aide des ticks de l'encodeur de roue (depuis R2020b)
`wheelEncoderOdometryUnicycle`	Calculer l'odométrie du monocycle à l'aide des ticks de l'encodeur de roue et de la vitesse angulaire (depuis R2020b)

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.

Exemples présentés

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

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

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