摘要:
前言 前两篇分别讲了卡尔曼在本项目里怎么用、惯导解算用到了哪些知识。 但组合导航是一个整体:惯导负责用 IMU 递推名义状态,卡尔曼负责估计误差并用 GNSS 观测去修正;两者通过「误差注入 + 重置」形成闭环,使得下一段递推的初值始终是「组合后的最优值」,不会一路漂下去。 本篇把前两篇串成「一个系 阅读全文
前言 前两篇分别讲了卡尔曼在本项目里怎么用、惯导解算用到了哪些知识。 但组合导航是一个整体:惯导负责用 IMU 递推名义状态,卡尔曼负责估计误差并用 GNSS 观测去修正;两者通过「误差注入 + 重置」形成闭环,使得下一段递推的初值始终是「组合后的最优值」,不会一路漂下去。 本篇把前两篇串成「一个系 阅读全文
posted @ 2026-02-24 07:38
ToBrightmoon
阅读(8)
评论(0)
推荐(0)

前言 在上一篇里我们说了卡尔曼在本项目里怎么用:它估计的是误差状态,用 GNSS 位置观测去修正惯导解算的结果。 那么惯导解算在本项目里做什么?一句话:在已知初始位置、速度、姿态的前提下,用 IMU 的角速度和加速度递推出当前时刻的位置、速度、姿态(名义状态)。 这些名义状态一方面是对外输出的「当前
前言 卡尔曼滤波(Kalman Filter)在控制、导航、目标跟踪、传感器融合等很多领域都会用到。 它解决的是「在带有噪声的观测和带有噪声的系统方程下,如何得到最优状态估计」这一类问题。 不同领域的状态、观测、噪声模型各不相同,但「预测 + 更新」的框架是相通的。 本篇不推导卡尔曼滤波的公式,也不
前言 在前两篇文章中,我们分别讨论了: 从一次 malloc 到缺页中断、内核页表、VMA 的完整路径; jemalloc 内部的 Arena / TCache / Slab / Extent 设计与源码结构。 从理论上我们已经知道: 在多线程、小对象、高频分配/释放的负载下,jemalloc 一定
浙公网安备 33010602011771号