Udacity-CarND-P6-Extended-Kalman-Filter项目中图像均方误差的Matlab代码

图像的均方误差的matlab代码项目6：扩展卡尔曼滤波器项目 1.简介 该项目利用卡尔曼滤波器通过激光雷达和雷达测量来估计感兴趣的运动物体的状态。 2.结果与讨论 以下是使用扩展卡尔曼滤波器（EKF）进行传感器融合的一般流程 传感器融合一般流程 初始状态以及x和协方差矩阵P的设置如下： 下图显示了通过组合激光雷达和雷达传感器的两个数据集的最终RMSE（均方根误差）值。 误差是实际测量值与其估计值之间的差。 RMSE越小，归档的精度越高。 数据集1 数据集2 当关闭这些传感器之一时，它会影响精度如此之差。 没有激光雷达传感器 数据集1 数据集2 没有雷达传感器 数据集1 数据集2 总体而言，EKF在预测跟踪对象的位置方面做得很好。 激光雷达（Ladar）精确地测量物体的位置，这有助于改善位置预测，而雷达提供更好的物体速度估计，从而改善速度预测。 当使用EKF时，该项目没有解决如何正确设置过程噪声Q和测量噪声R的协方差矩阵的问题。关于这一点，R通常根据测量的仪器精度被分配为常数矩阵，而Q被分配使用试错法作为常数矩阵。 下面是包含时间的矩阵Q，它说明了随着时间的流逝，我们的位置和速度越来越不