针对标准的容积卡尔曼滤波器(CKF) 设计需要精确已知噪声先验统计知识的问题, 提出一种自适应CKF 算法. 该算法在滤波过程中, 利用Sage-Husa 极大后验估值器对噪声的统计特性进行在线估计和修正, 有效地提高了CKF 的估计精度和数值稳定性. 在某些情况下, 噪声协方差估计会出现异常现象使得滤波发散, 进而提出了相应的改进方法. 仿真结果表明了自适应CKF 算法的可行性和有效性, 且明显改善了标准CKF 算法的滤波效果.

centerpoint voxelnet 0075 centerpoint_voxel_1440 配置文件

卡尔曼AHRS 基于卡尔曼滤波器的AHRS C ++库，内置传感器校准和倾斜补偿。可与陀螺仪，加速度计和磁力计组合一起使用。 建立没有依赖性，利用模板，不依赖异常，并且避免了动态内存分配。 适用于Linux和实时嵌入式设备。 在RaspberryPi上使用Pololu Minimu-9 v5进行了测试。 建造 构建遵循标准的CMake程序； 在项目目录中运行： mkdir build && cd build cmake .. cmake --build . 用法 该库可通过CMake构建获得。 它没有系统范围的安装，而是最好将源代码放在项目中，并与add_subdirectory(lib/minimu)和target_link_libraries(target ahrs::ahrs) 。 要使用AHRS系统，请实现需要read方法的Sensor接口。 应该为每个AHRS传感器执行此操

深度视觉目标跟踪综述论文：Deep Visual Tracking: Review and Experimental Comparison

提出了一种新的基于核的自适应目标跟踪方法，以提高复杂背景下目标跟踪的鲁棒性和准确性。 尺度不变特征变换（SIFT），颜色和运动特征的三个核函数的线性加权组合用于表示跟踪目标的概率分布。 外观和运动功能相结合，以增强目标区域的位置稳定性和准确性。 跟踪窗口的大小可以根据相应SIFT对的仿射变换参数进行实时调整。 为了更好地提取特征，还根据场景自适应地调整了三个核函数的权重。 实验表明，该算法能够在不同场景下成功跟踪运动目标。 此外，它可以处理目标姿态，比例，方向，视图和照明变化，并且其性能优于经典的Camshift算法，基于SIFT的方法和基于颜色SIFT的方法。

扩展卡尔曼滤波器（EKF） 3 非线性系统的卡尔曼滤波方程 3.1 扩展卡尔曼滤波器 非线性系统模型： 其中： 假设在 时刻已获得系统状态 的滤波估计 ，将 和 在 附近线性化，即非线性系统将随时在新估计的结果附近进行线性化。

1.领域：matlab，GPS+IMU的卡尔曼滤波融合定位算法算法 2.内容：【提供操作视频】基于GPS+IMU的卡尔曼滤波融合定位算法仿真,其中惯导用来进行状态预测,GPS用来滤波矫正 3.用处：用于GPS+IMU的卡尔曼滤波融合定位算法算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

卡尔曼滤波算法公式详细推导

机动目标跟踪（李晓榕） Part I Part II Part III Part IV Part V Part VI

可将txt文件转换为matlab文件，以方便在matlab跑程序的时候使用。操作简单。