Filtre de Kalman étendu - Techniques avancées d'estimation de l'état dynamique des systèmes robotiques
Fouad Sabry
Tradutor Nicholas Souplet
Sinopse
1 : Filtre de Kalman étendu : présente le filtre de Kalman étendu (EKF), un outil essentiel de l'estimation non linéaire. 2 : Notation Bra–ket : explique les fondements mathématiques, en se concentrant sur la structure des systèmes quantiques. 3 : Courbure : discute du concept de courbure et de son influence sur les performances des filtres non linéaires. 4 : Estimation du maximum de vraisemblance : détaille l'approche statistique utilisée pour estimer les paramètres ayant la plus grande vraisemblance. 5 : Filtre de Kalman : fournit une exploration approfondie du filtre de Kalman, la base de nombreuses techniques d'estimation d'état. 6 : Matrice de covariance : décrit la matrice de covariance et son rôle dans la quantification de l'incertitude dans le filtrage. 7 : Propagation de l'incertitude : explore comment l'incertitude se propage dans le temps et affecte la précision du filtrage. 8 : Algorithme de Levenberg-Marquardt : présente cet algorithme qui optimise les problèmes de moindres carrés non linéaires. 9 : Région de confiance : explique la région statistique qui quantifie la précision des estimations de paramètres. 10 : Régression non linéaire : se concentre sur les méthodes d'ajustement de modèles non linéaires aux données à l'aide de techniques d'optimisation. 11 : Théorie de l'estimation : fournit la théorie derrière l'estimation, essentielle pour comprendre la conception et l'analyse des filtres. 12 : Moindres carrés généralisés : discute de l'approche généralisée pour résoudre les problèmes de régression en présence d'hétéroscédasticité. 13 : Distribution de Von Mises-Fisher : présente cette distribution de probabilité utile pour les données directionnelles en grandes dimensions. 14 : Filtre de Kalman d'ensemble : explore une variante du filtre de Kalman adaptée aux systèmes non linéaires à grande échelle. 15 : Problème de filtrage (processus stochastiques) : détaille comment le filtrage peut être appliqué aux processus aléatoires dans les systèmes dynamiques. 16 : GPS/INS : décrit l'intégration du GPS et des systèmes de navigation inertielle pour une navigation et une estimation précises. 17 : Moindres carrés linéaires : couvre la méthode des moindres carrés pour résoudre les problèmes de régression linéaire. 18 : Filtre de préservation de la symétrie : présente les filtres conçus pour préserver la symétrie dans les systèmes, importants en robotique. 19 : Filtre de Kalman étendu invariant : explique une variante de l'EKF qui maintient l'invariance dans les systèmes non linéaires. 20 : Transformée non parfumée : décrit la transformée non parfumée, une technique permettant d'améliorer l'estimation de l'état dans les modèles non linéaires. 21 : SAMV (algorithme) : présente l'algorithme SAMV pour une estimation robuste dans des environnements incertains.
Disponível desde: 13/12/2024.
Comprimento de impressão: 407 páginas.
