Localización y estimación de pose.

Este ejemplo muestra cómo se podría construir un algoritmo de fusión IMU + GPS adecuado para vehículos aéreos no tripulados (UAV) o cuadricópteros.

Este ejemplo muestra cómo estimar la pose (posición y orientación) de un vehículo terrestre utilizando una unidad de medición inercial (IMU) y una cámara monocular. En este ejemplo, usted:

MATLAB Mobile™ informa datos de sensores del acelerómetro, giroscopio y magnetómetro en dispositivos móviles Apple o Android. Se pueden obtener datos sin procesar de cada sensor o datos de orientación fusionados. Este ejemplo muestra cómo comparar los datos de orientación fusionados del teléfono con la estimación de orientación del objeto ahrsfilter .

Este ejemplo muestra cómo estimar la posición y orientación de vehículos terrestres fusionando datos de una unidad de medición inercial (IMU) y un receptor del sistema de posicionamiento global (GPS).

Este ejemplo muestra cómo combinar datos de odometría del robot y marcadores fiduciales observados llamados AprilTags para estimar mejor la trayectoria del robot y las posiciones de los puntos de referencia en el entorno. El ejemplo utiliza un enfoque de gráfico de pose y un enfoque de gráfico de factores, y compara los dos gráficos.

Este ejemplo muestra cómo reducir la desviación en la trayectoria estimada (ubicación y orientación) de una cámara monocular mediante la optimización del gráfico de pose 3D. La odometría visual estima la pose global actual de la cámara (cuadro actual). Debido a una mala coincidencia o errores en la triangulación de puntos tridimensionales, las trayectorias de los robots a menudo tienden a desviarse de ground-truth. La detección de cierre de bucle y la optimización del gráfico de pose reducen esta desviación y corrigen los errores.

La odometría visual-inercial monocular estima la posición y orientación del robot utilizando datos de la cámara y del sensor de la unidad de medición inercial (IMU). La estimación del estado basada en la cámara es precisa durante la navegación a baja velocidad. Sin embargo, la estimación basada en cámaras enfrenta desafíos como el desenfoque de movimiento y la pérdida de seguimiento a velocidades más altas. Además, la estimación basada en una cámara monocular puede estimar poses a una escala arbitraria. Por otro lado, la navegación inercial puede manejar fácilmente la navegación de alta velocidad y estimar poses a escala mundial. Puede combinar las ventajas de ambos tipos de datos de sensores para lograr una mayor precisión mediante la optimización del gráfico de factores estrechamente acoplados. Para lograr un buen rendimiento en el tiempo de ejecución, en cada paso de optimización solo se optimiza una pequeña parte del gráfico de factores completo que contiene solo las mediciones más recientes. Esta variante de optimización de gráficos de factores se conoce popularmente como ventana deslizante u optimización de gráficos parciales.