作者：Timothy D. Barfoot ，最新2018高清资源，完整395页，持续更新。 版权归作者所有，任何形式转载请联系作者。 State Estimation for Robotics早已在SLAM领域广为流传，几乎是SLAM入门必读的经典书籍之一。本书深入讲解了状态估计的机理、三维几何学基础、矩阵李群以及位姿和点的估计方法等，尤其对基于滤波器的状态估计方法的介绍全面深刻。现在在高翔、颜沁睿、刘富强等十多位SLAM专家、爱好者的共同努力下，中文译本《机器人学中的状态估计》也终于得以面世。这对于国内广大SLAM爱好者来说，可谓一大福音，值得隆重推荐。 ——浙江大学教授，CAD & CG国家重点实验室计算机视觉团队带头人，章国锋 State Estimation for Robotics是加拿大多伦多大学Barfoot教授的名著，也是机器人方向的经典教材之一。该书侧重数学基础，先花了三分之二的篇幅来介绍概率、几何方面的基础知识，最后又回到应用问题，详细介绍了基于点云和图像的姿态估计。 这是一本难得的既注重基础又顾及前沿研究问题的教材。书的译者是一群对机器人技术富有激情的年轻人，他们中的许多人在计算机视觉、机器人等科研领域开始崭露头角。这本译作倾注了他们的满腔热忱和对国内技术发展的期望。 ——加拿大西蒙弗雷泽大学终身教授，谭平 本书介绍了机器人领域的重要核心技术——状态估计。这本书不只介绍了一些传统的经典算法，也涉及了最新的行业进展和应用，同时还传授了一些基础的数学工具。本书使用严谨的数学语言，同时又深入浅出，是初学者不可多得的良师益友。 ——自动驾驶公司AutoX创始人，原美国普林斯顿大学计算机视觉与机器人实验室主任，麻省理工学院博士 肖健雄

一种电池状态估计装置，包括存储单元和参数计算单元。存储单元与温度相关联地存储关于与扩散电阻模型的电阻分量有关的电阻参数、与扩散电阻模型的时间常数有关的时间常数参数和电荷转移电阻模型的电荷参数的信息二次电池的信息。参数计算单元基于二次电池的检测温度值和存储在存储单元中的信息计算与检测温度值对应的每个参数。参数计算单元依次识别用于使用卡尔曼滤波器估计状态的参数和计算的参数作为初始值。

最优滤波和最优状态估计的两份资料

本书较为全面的介绍了最优状态估计的方法，适合作为最优状态估计相关领域工程技术人员参考著作，也可作为相关课程的高年级本科生或研究生教材

本书介绍了系统最优状态估计的方法。全书分为四大部分，第一部分给出了系统状态估计所需的数学基础，包括线性系统理论、概率理论、最小二乘估计、状态和协方差阵迭代；第二部分主要阐述了卡尔曼滤波器及其发展，包括离散卡尔曼滤波器、卡尔曼滤波器的其他表示方法、发展的卡尔曼滤波器、时间连续卡尔曼滤波器和最优平滑；第三部分介绍了H∞滤波器；第四部分介绍了非线性滤波器，包括非线.

分布式鲁棒电力系统状态估计 能源市场的放松管制、可再生能源的普及、先进的计量能力以及对态势感知的迫切需求，都需要全系统的电力系统状态估计(PSSE)。然而，由于互连的复杂性、实时监控中的通信瓶颈、区域披露政策和可靠性问题，实现一个集中的估计值实际上是不可行的。在这种情况下，分布式PSSE方法在统一和系统的框架下处理。基于乘子的交替方向法，提出了一种新的算法。它利用现有的PSSE求解器，尊重隐私策略，显示出较低的通信负载，并且即使在没有局部可观测性的情况下，它也保证了收敛到集中估计。除了传统的基于最小二乘的PSSE之外，该分散框架还可以容纳一个鲁棒状态估计器。通过开发与压缩采样进展的有趣联系，后者共同估计状态并识别损坏的测量。采用IEEE 14、118总线和4200总线基准对新算法进行了数值评估。仿真结果表明，该方法可以在少量的区域间交换的情况下达到可达到的精度，并优于最大的残差试验。乘数交替方向法;不良数据识别;Huber s函数;相量测量单元;SCADA测量;互联状态估计 本文系统地处理了分布状态估计器和鲁棒状态估计器。提出的算法放弃了局部可观测性要求，并保持向后兼容性。通过在相邻区域之间进行少量的数据交换，本地控制中心可以获得它们负责的部分互连的高精度估计，并同时识别(非)有意损坏的数据。新的框架容纳了PSSE问题的几个重要修改，如约束(例如，零注入总线，操作限制) 详细描述：https://blog.csdn.net/cooc89/article/details/118338964

机器人学中的状态估计中文版 + 2020英文版 尽管每种机器人的功能各异,然而在实际应用中,它们往往会面对一些共同的问题—状态估计(state estimation)和控制(control)。机器人的状态,是指一组完整描述它随时间运动的物理量,比如位置,角度和速度。本书重点关注机器人的状态估计,控制的问题则不在讨论之列。控制的确非常重要——我们希望机器人按照给定的要求工作,但首要的一步乃是确定它的状态。人们往往低估了真实世界中状态估计问题的难度,而我们要指出,至少应该把状态估计与控制放在同

概述主要讲述状态估计与系统辨识等相关问题，系统而全面，深入而细致，是一本难得的好书

EKF_SOC_Estimation函数使用二阶RC等效电路模型估算电池的端电压（Vt）和充电状态（SOC）。 该功能可以使用扩展卡尔曼滤波器（EKF）或自适应扩展卡尔曼滤波器（AEKF）。 用户还可以选择估算-20C至40C的SOC。 其中包括一个样品LA92行驶周期，电池参数（包括内部电阻）和Turnigy电池的SOC-OCV曲线。 要运行该示例，只需下载所有文件并运行main.mlx。

锂离子动力电池参数辨识与状态估计