Battery_SOC_Estimation：在Matlab中使用卡尔曼滤波器估算电池的充电状态

基于扩展卡尔曼滤波和加权非线性最小二乘的二维同时定位与映射仿真 蓝色圆圈是机器人的真实姿势，红色圆圈是机器人的估计姿势 两个蓝星是特征的实际位置，两个红星是特征的估计位置 介绍 在Matlab中模拟具有两个要素和一个绕要素1旋转的机器人的2D地图。 （机器人可以观察到两个特征相对于自身的角度和距离）。 使用观察数据和控制数据分别基于扩展卡尔曼滤波器（EKF）和加权非线性最小二乘法（WNLS）来估计机器人的姿态和两个特征的位置（即通过EKF和WNLP解决简单的2D SLAM ）。 （SLAM）：是在构建或更新未知环境的地图同时跟踪代理在其中的位置的计算问题。 先决条件 所有代码仅在 视窗10 1809 Matlab R2018b 不能保证这些代码在其他版本中具有良好的兼容性。 用法 双击F00_Main_EKF.m以运行基于EKF的2D SLAM仿真。 双击F00_Main_NL

仿真了EKF、二阶EKF、UKF及PF滤波过程，过程详细，仅涉及一个观测变量！

扩展卡尔曼滤波和粒子滤波算法的MATLAB实现

px4源码里面用12阶的状态计算姿态角，引用的就是这篇文档

使用 mran 算法训练 rbf 网络并使用 ekf 更新其参数

matlab 均方误差的代码 EKF-2D-SLAM EKF-SLAM步骤 运动更新 运动更新时，固定点坐标不变，所以只需要根据运动方程更新(x,y,α)及其协方差与互协方差即可。 观测到曾经观测过的固定点 这时候依次对观测到的特征点信息进行EKF更新 Landmark observations are processed in the EKF usually one-by-one 观测到新的固定点 这时候观测到新的固定点，需要进行状态增广。根据逆观测方程，使用观测信息推测出新加的增广状态均值与方差，然后加入到总体的状态与协方差矩阵中。 Matlab代码 主文件为slam.m，运行即可。 文档 paper文件夹里面有pdf文档，里面的公式可能会有些许笔误，最新的更新请访问 结果展示 传感器探测范围与路标点 第一次状态增广 状态持续扩大 状态增广已停止 改动 2020/2/21增加了轨迹显示

该资源详细介绍四元数姿态解算方法，对做姿态解算、导航slam滤波和slam相关从业人员有很好的借鉴指导意义

四元数更新有很多种，毕卡求解算法是其中一种。本文就PX4源码中的算法进行了详细的解释说明。以供学习参考

扩展EKF和ukf无迹卡尔曼滤波代码压缩包 有一个共同的简单例子 进行对比 两个卡尔曼滤波分别写成两个函数 需要的欢迎下载