#state-estimation Dépôts
Découvrez 26 dépôts GitHub open source actifs associés à #state-estimation, cumulant 54,955 étoiles au total (soit une moyenne de 2,113 étoiles par projet). Le projet en tête de ce thème est rlabbe/Kalman-and-Bayesian-Filters-in-Python, avec 18,561 étoiles.
26 dépôts au total
Livre sur le filtre de Kalman utilisant Jupyter Notebook. Met l'accent sur le développement de l'intuition et de l'expérience, pas sur les preuves formelles. Inclut les filtres de Kalman, les filtres de Kalman étendus, les filtres de Kalman unscented, les filtres particulaires, et plus encore. Tous les exercices incluent des solutions.
Un estimateur d'état visuel-inertiel monoculaire robuste et polyvalent
Bibliothèque Python de filtrage de Kalman et d'estimation optimale. Implémente le filtre de Kalman, le filtre particulaire, le filtre de Kalman étendu, le filtre de Kalman unscented, g-h (alpha-beta), les moindres carrés, H infini, les lisseurs, et plus encore. Possède un livre d'accompagnement 'Kalman and Bayesian Filters in Python'.
Code open source correspondant pour les techniques SLAM dans la conduite autonome
robot\_localization est un paquet de nœuds d'estimation d'état non linéaires. Le paquet a été développé par Charles River Analytics, Inc. Veuillez poser vos questions sur answers.ros.org.
Odometrie Visuelle Inertielle avec capacités SLAM et génération de maillage 3D.
NMPC, WBC, estimation d'état et framework sim2real pour robots à pattes basé sur OCS2 et ros-controls
Modélisation et analyse pratique des systèmes électriques basée sur PYPOWER et pandas
Dépôt pour le manuel : Small Unmanned Aircraft: Theory and Practice, par Randy Beard et Tim McLain
Outils logiciels pour quadrupèdes agiles, développés par le Robomechanics Lab de la Carnegie Mellon University.
La pile fuse fournit une architecture générale pour effectuer la fusion de capteurs en direct sur un robot. Certaines applications possibles incluent l'estimation d'état, la localisation, la cartographie et l'étalonnage.
Un système de navigation inertielle multisenseurs efficace et robuste avec calibration en ligne, capable de fusionner des capteurs IMU, caméra, LiDAR, GPS/GNSS et de roue. Cas d'utilisation : VINS/VIO, GPS-INS, LINS/LIO, fusion multisenseurs pour la localisation et la cartographie (SLAM). Ce dépôt fournit également une simulation et des données multisenseurs.
Utilisation d'un filtre de Kalman à état d'erreur pour fusionner les données IMU et GPS pour la localisation.
Un projet logiciel pour fournir à la communauté de suivi de cible un cadre pour le développement et les tests d'algorithmes de suivi.
Bibliothèque C++17 de filtre de Kalman unscented, uniquement composée d’en-têtes, pour l’estimation d’état et de paramètres
Foire aux questions
Quel est le dépôt #state-estimation le plus populaire sur GitHub ?
Le projet #state-estimation open source le mieux classé sur GitHub est rlabbe/Kalman-and-Bayesian-Filters-in-Python, avec 18,561 étoiles. Livre sur le filtre de Kalman utilisant Jupyter Notebook. Met l'accent sur le développement de l'intuition et de l'expérience, pas sur les preuves formelles. Inclut les filtres de Kalman, les filtres de Kalman étendus, les filtres de Kalman unscented, les filtres particulaires, et plus encore. Tous les exercices incluent des solutions.
Quels langages de programmation sont les plus utilisés dans les dépôts #state-estimation ?
Parmi les projets #state-estimation les mieux classés sur GitHub, les langages de programmation les plus courants sont C++, Python, Jupyter Notebook, TeX.
Comment le classement des dépôts #state-estimation est-il calculé ?
Nous suivons 26 dépôts open source actifs associés à #state-estimation (500+ étoiles), totalisant 54,955 étoiles, avec une moyenne de 2,113 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.