Hello! 欢迎来到我的博客今天的内容关于机器人中常用的传感器IMU，我们用它来实现机器人姿态、速度、位置的估计。今天将会介绍使用低成本IMU进行机器人运动估计的一个常用方法——ESKF。3 Error State Kalman Filter（ESKF介绍）3.1 动机3.2 完整流程3.3 Nominal State 更新3.4 Error State 更新3.5 量测更新...

关于机器人运动学与动力学建模的几点迷思疑问1：运动学应该从速度开始推还是从位置开始推？为什么会产生这样的疑问？我们可以从下面这个问题开始！简单说明这幅图的含义：我们定义了两个坐标系，惯性系{s}和移动系{b}。s和b分别是两个坐标系的原点，P是由s点指向b点的向量。现在我们要来考察，两个坐标系原点间的相对速度了！！！表达形式1：直接写速度的关系式Vb=Rsb⋅VsV_b=R_s^b...

机器人运动估计系列（二）——运动学方程前言在上一篇文章中，我们了解了用于表示机器人位置、速度的坐标系的定义，学习如何表示姿态，也就是旋转的三种表达方式：旋转矩阵、欧拉角以及四元数。在这一节的第一部分中，我们将继续讨论在三种旋转表达之间互相转换的方法。之后，我们将以四麦伦小车以及四旋翼为例，推导二者的动力学模型，并分享一些我在学习过程中的一些心得体会。

机器人动力学建模之牛顿欧拉法推导最近在研究多连杆的机器人建模，发现许多使用牛顿欧拉法的建模方式，都直接采用了如下的一条公式：Fextj=MjVj˙+βjF_{extj}=M_j \dot{V_j}+\beta_jFextj​=Mj​Vj​˙​+βj​其中：Vj=[UjΩj],这是连杆j相对于惯性系的速度和角速度组成的六维向量（表示在j系下）。V_j=\left[\begin{ma...

机器人运动估计系列（番外篇）——从贝叶斯滤波到卡尔曼（中）上一篇文章里介绍了贝叶斯滤波的理论框架，知道了贝叶斯滤波假设了机器人的状态服从某个概率分布，并且知道了如何利用Bayes公式对其概率分布更新。然而，前面的内容仅仅是介绍了其完美的数学原理，实际计算起来却并不适用。在这篇文章中，就将介绍如何通过一系列假设去简化贝叶斯滤波的计算过程。我们将介绍卡尔曼滤波器、扩展卡尔曼滤波器以及无迹卡尔曼滤波

# 机器人运动估计系列（番外篇）——从贝叶斯滤波到卡尔曼（下）前面两篇文章里首先介绍了贝叶斯滤波的理论框架，之后对机器人模型做了线性高斯假设，推出了卡尔曼滤波的迭代方程组。在这篇文章中，就将进一步介绍当机器人模型为非线性时该如何使用贝叶斯滤波。我们将介绍扩展卡尔曼滤波器以及无迹卡尔曼滤波器的由来。《贝叶斯滤波与平滑》，作者：希莫·萨日伽，译者：程建华等。英文原版：《Bayesian

机器人运动估计系列（一）——基础介绍作为航空航天类专业毕业，马上要入机器人坑、直博坑的小本科生，要来写这样一个系列的文章，我感到诚惶诚恐。不过，人还是得有一些追求的，写这样一系列文章很难，但是相信对我自己的提升也会不少。当然，作为一名资深小白，出点错误、理解得不透彻的情况很有可能会在这个系列的文章中屡屡出现，到时候还望各位看官不吝赐教。当然，我也将会在未来的学习过程不断勘误。什么是机器人的运动估计

一阶贝塞尔曲线（包含两个控制点）假设控制点为P0P_0P0​和P1P_1P1​，曲线方程为：B(t)=(1−t)P0+tP1=P0+(P1−P0)t\begin{aligned}B(t)&=(1-t)P_0+tP_1\\&=P_0+(P_1-P_0)t\end{aligned}B(t)​=(1−t)P0​+tP1​=P0​+(P1​−P0​)t​其中t∈[0,1]t...

惯性张量是什么？惯性张量是用于描述刚体转动惯性的一个量，并且它是一个矩阵。它通常表示为：I=[IxxIxyIxzIyxIyyIyzIzxIzyIzz]I=\left[\begin{array}{lll}I_{x x} & I_{x y} & I_{x z} \\I_{y x} & I_{y y} & I_{y z} \\I_{z x} & I_{...

Hello，欢迎来到我的博客这篇博客是关于ROS下使用OpenCV遇到的问题的解决方法，而今天这个问题更为特殊，是在ROS下使用OpenCV的detect功能（如HOG-SVM）时会遇到的。1 问题描述本文的操作环境系统：Ubuntu 18.04ROS版本：melodicOpenCV版本：3.4.3Python版本：3.6IssueOpenCV Error: Bad argument (Unkno