https://arxiv.org/pdf/1807.10913.pdf 惊叹于现在的大数据在百度的应用 当我在百度输入swarms时 广告就来了个这个公司 https://www.nokov.com/motion-capture-cooperative-control.html?sdclkid=AL2D152ibJDiAJDib5-&bd_vid=11147813632257894751 点进去了就到了这个界面 说到这里 我脑子里又蹦出了很久以前在网上学slam的时候加的一个北航大佬，名叫肖昆 加了人家微信之前聊了一些航天的东西 他现在好像在中国运载火箭技术研究院读研 感觉是个很吊的小伙子 后面貌似去国防科大学习了 断断续续在朋友圈看了他 后来就没再看到了 但是我去他pyq又能看到 也不像是把我删了 我现在反应过来了他肯定是设置了pyq只对某些人可见
兴趣爱好行业多少有点一致 在中国另一个兴趣行业比较一致的人 有机会去github上面拜读一下别人的工程代码学习学习 应该是当年接触slam和火箭认识的 respect to Mr.shaun 2020 11 13 10：20 昨晚凌晨看小火箭（邢强博士）的相关知乎 发现了这位带佬，以后有时间得把邢强博士的相关科普读物全部读完，一直挺佩服北航的大佬们的，能够有所建树，这位昆哥我加他的时候貌似是两年前吧，北航本 中国运载火箭技术研究院硕 我记得他还去过国科大干过一会儿 多半是去搞无人机的吧 我贴一下相关链接 小火箭的邢强是谁？ - 知乎 https://www.zhihu.com/question/60792151/answer/1244975747 https://www.zhihu.com/people/xiao-kun-67-75 这。。。昆哥也被我在网上无意中找到了 一颗冉冉升起的巨星啊 几十年后的带佬 学习！
开始文章阅读 哇 csdn的用户居然有一千多万 看我冲上去 扩展卡尔曼滤波器（EKF）提出了一种新的惯性测量融合算法单元（IMU）和UWB，实现了80Hz的三维定位准确度显著提高，几乎没有延迟。 看来学习卡尔曼滤波刻不容缓了！！！
形成一个队形估计器是通过合并一个基于共识的分布式卡尔曼滤波器。 英文： In [6] a formation estimator is developed by incorporating a consensusbased distributed Kalman filter. 看来第六篇引文也要看 什么叫基于共识的分布式卡尔曼滤波器
对apriltag进行了稳健的跟踪和扩展 采用卡尔曼滤波（EKF）对两个摄像机进行估计 同时做标记姿势。
IMU用于短期的在标记检测丢失的情况下改进系统鲁棒性。
Radio based localization systems, such as Radio Frequency Identification (RFID) [9], WiFi [10], Zigbee [11] and Ultra-Wideband (UWB) [12], are emerging technologies in indoor positioning. 六个锚点为什么这么放置？？？
In Fig. 2, the localization algorithms can achieve utmost performance inside the convex hull, which is a well proved knowledge in the community of sensor placement.
a mobile will probe all 6 anchors and get the respective distance measurements rk and the measurement uncertainty σrk. In our setup, each mobile gets 80 measurements per second.
vanilla EKF 是个什么玩意儿？？？ 百度搜不出来 google能搜出来
IV. UWB & IMU FUSION In order to solve the delay and low bandwidth problem brought by constant velocity assumption, fusing the acceleration information from IMU is an ideal solution. However, the acceleration measurements from low-cost commercial IMUs are extremely noisy. Moreover, the acceleration bias is unstable, i.e., its bias is affected by many factors including temperature, operating duration, mechanical vibration, etc. Directly integrating the acceleration from IMU may lead to even worse result than that of constant velocity assumption.
x = [px, vx, abx, py, vy, aby, pz, vz, abz]T ∈ R9(9) 状态包含九个参数 分别为三个方向上的位置 速度 加速度
With the assumption that IMU readings are corrupted with Gaussian noise, we use τa to measure the IMU noise.
Similarly, τb is used to measure the uncertainly of the estimated acceleration bias.
In addition, the IMU readings are quite noisy, which means that relying too much on the IMU is impractical as well.
通常我们倾向于更依赖于超宽带的读数 调整协方差矩阵Q和R，其代价是 超宽带读数的跳变将导致突变 估计位置的
为了缓解这些问题，我们计算了差异 在预测距离r´k和实际UWB之间 测量值rk，dk=| r´k−rk |。如果dk超过某个 阈值，例如2m，定位结果xk被丢弃。
首先，第三节的香草EKF和融合 第四节中的EKF是在配备有 有了维康系统，才有了真正的真相 这两种算法的性能可以量化 评价的。
它们提供距离测量 以大约 80Hz，典型精度为10cm。加速度 测量值来自 频率为50赫兹。Intel Atom电子商务升级版 基于微型计算机，安装在MAV上以托管 任务管理和定位算法。总计 MAV的重量为800g，包括一个2200mAh 3电池 电池、大功率LED阵列和刀片保护器。 在维康室和展厅的测试中 6个MAV执行由多智能体设计的预定义路径 基于样条曲线的轨迹生成算法[19]。 MAV的最大速度为1.2m/s，并且 最大加速度为2m/s2 . 在实验中 在本文中，只使用了其中一个mav，而另一个则使用了mav 5个mav只在执行的路径上不同。定位 第五节中的mav依赖于融合EKF算法。
另一个现象是 融合EKF，估计的位置和速度下降 很明显在68秒左右。那是因为小牛着陆了 在当时的地面上，这一打击引入了一个巨大的 来自IMU的加速度测量。因为系统 融合EKF矩阵依赖于加速度测量， 这种不正常的输入会导致错误的估计。但是 一般来说，这种现象不会引起任何问题
下面是摘录的issues中的网友问题的作者回答 https://github.com/lijx10/uwb-localization/issues/2 校准过程仅涉及锚具。锚是固定的，我们根据任何一对锚之间的相对距离来估计它们的位置。
输入是：任何一对锚之间的相对距离。也就是说，对于锚定A和锚B，我们从这些锚的读数中得到了d{AB}和d{BA}。任何来自超宽带传感器的单一测量都是不可靠的。因此，我们取多个测量值的中间值作为A和B之间的估计距离，即，hat{d{AB}}，hat{d{BA}}。理想情况下，hat{d{AB}应该非常接近\hat{d{BA}}。
是的，相对距离不能给出唯一的坐标。为了获得一个独特的坐标系，我们采用以下做法：
任何一对锚之间的相对距离。这是三角测量误差_水电站
将其中一个锚点固定为原点，即uwb中的锚点_101:[0，0，0]_校准.yaml
强制其中一个锚点的方向，即锚_102_方向：[0,0,0,1,0,0]，以uwb为单位_校准.yaml. 更具体地说，表示锚_102和[x，y，z]的坐标，我们力[x-0，y-0，z-0]和[1，0，0]在同一方向（这两个向量之间的角度=0）。这在“点”“线”“距离”“误差”中定义_水电站.
直到现在，仍然有一个自由度没有固定。我们通过设置另一个锚点的z坐标来解决这个问题。这是uwb中的锚点103_坐标：{z:0}_校准.yaml.
我们强制执行一些事先的信息。例如，我们有精确的测量（由高精度激光测距仪获得）。因此，我们设置锚俣104、105、106的z坐标。
***我们的锚定标被定义为最小二乘优化。***！！！最小二乘！！！
15：35 刚刚和蔡师兄聊了 他也不怎么懂卡尔曼滤波 只知道这几个名词 但是他和我说 漆老师那边会给我提供成品 uwb和imu 喜哥说我只需要了解如何对数据进行预处理获取数据 蔡师兄说我只需要去做数据融合这一块 我就想到飞哥是做的相机和激光雷达的数据融合，喜哥还说以前飞哥周二给他们手推马尔科夫链的恐怖 说到卡尔曼滤波 喜哥的理解是 未来和过去无关 和现在有关 其实这是马尔科夫链 我又想到了b站那个视频里的大哥说的 讲卡尔曼滤波的时候是不需要讲马尔科夫链的 他说现在的教材就是误人子弟 我感觉这个大哥还是挺懂的 至少我觉得他把滤波讲的很透彻 他把数学公式讲通了 两个正态分布的概率密度函数相乘会得到一个新的概率密度函数，并且方差会变小，所以数据更稳定了，相当于滤波了，下面贴一个我的笔记，耶 我终于找到自己比两个师兄强的地方了 太不容易了 枯了 蔡师兄说我只需要去获得数据 第一种方式是用tcp/ip协议去获取 （可以有线或者无线）第二种方式是通过串口去获取（有线），我的重点应该是数据处理 怎么把imu拿到的加速度 速度信息去处理过后和uwb数据融合 创新点的话蔡师兄说他也不知道 他们一般是把产品拿来用 我做硕士论文需要创新点 要更深入一点 继续学习第六讲 https://www.bilibili.com/video/BV1Y741127cu/?spm_id_from=333.788.videocard.0 好了15：10我的头已经大了 我以为不手写可以跟上 结果刚刚又去叉车并且看的时候要走神 已经不晓得他在讲啥子了 数学公式的推导简直了 跪了
