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

Localisation et estimation de la pose

Navigation inertielle, estimation de pose, correspondance de scan, localisation Monte Carlo

Utilisez des algorithmes de localisation et d’estimation de pose pour orienter votre véhicule dans votre environnement. La fusion de capteurs inertiels utilise des filtres pour améliorer et combiner les lectures des capteurs pour l'IMU, le GPS et autres. 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 modéliser des capteurs spécifiques, voir Modèles de capteurs.

Pour la localisation et le mappage simultanés, voir CLAQUER.

Exemples présentés

IMU and GPS Fusion for Inertial Navigation

How you might build an IMU + GPS fusion algorithm suitable for unmanned aerial vehicles (UAVs) or quadcopters.

Ouvrir le live script

Visual-Inertial Odometry Using Synthetic Data

Estimate the pose (position and orientation) of a ground vehicle using an inertial measurement unit (IMU) and a monocular camera. In this example, you:

Ouvrir le script

Estimate Phone Orientation Using Sensor Fusion

MATLAB Mobile™ reports sensor data from the accelerometer, gyroscope, and magnetometer on Apple or Android mobile devices. Raw data from each sensor or fused orientation data can be obtained. This example shows how to compare the fused orientation data from the phone with the orientation estimate from the ahrsfilter object.

Ouvrir le live script

Estimate Position and Orientation of a Ground Vehicle

Estimate the position and orientation of ground vehicles by fusing data from an inertial measurement unit (IMU) and a global positioning system (GPS) receiver.

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

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