1: Filtro de Kalman extendido: presenta el filtro de Kalman extendido (EKF), una herramienta fundamental en la estimación no lineal.
2: Notación Bra-ket: explica la base matemática, centrándose en la estructura de los sistemas cuánticos.
3: Curvatura: analiza el concepto de curvatura y su influencia en el rendimiento de los filtros no lineales.
4: Estimación de máxima verosimilitud: detalla el enfoque estadístico utilizado para estimar los parámetros con la mayor verosimilitud.
5: Filtro de Kalman: proporciona una exploración en profundidad del filtro de Kalman, la base de muchas técnicas de estimación de estado.
6: Matriz de covarianza: describe la matriz de covarianza y su papel en la cuantificación de la incertidumbre en el filtrado.
7: Propagación de la incertidumbre: explora cómo la incertidumbre se propaga a lo largo del tiempo y afecta la precisión del filtrado.
8: Algoritmo de Levenberg-Marquardt: presenta este algoritmo, que optimiza los problemas de mínimos cuadrados no lineales.
9: Región de confianza: explica la región estadística que cuantifica la precisión de las estimaciones de parámetros.
10: Regresión no lineal: se centra en los métodos para ajustar modelos no lineales a los datos mediante técnicas de optimización.
11: Teoría de la estimación: proporciona la teoría detrás de la estimación, esencial para comprender el diseño y el análisis de filtros.
12: Mínimos cuadrados generalizados: analiza el enfoque generalizado para resolver problemas de regresión en presencia de heterocedasticidad.
13: Distribución de von Mises-Fisher: presenta esta distribución de probabilidad útil para datos direccionales en grandes dimensiones.
14: Filtro de Kalman de conjunto: explora una variación del filtro de Kalman adecuada para sistemas no lineales a gran escala.
15: Problema de filtrado (procesos estocásticos): detalla cómo se puede aplicar el filtrado a procesos aleatorios en sistemas dinámicos.
16: GPS/INS: describe la integración de GPS y sistemas de navegación inercial para una navegación y estimación precisas.
17: Mínimos cuadrados lineales: cubre el método de mínimos cuadrados para resolver problemas de regresión lineal.
18: Filtro que preserva la simetría: presenta filtros diseñados para preservar la simetría en sistemas, lo cual es importante en robótica.
19: Filtro de Kalman extendido invariante: explica una variación del EKF que mantiene la invariancia en sistemas no lineales.
20: Transformada sin aroma: analiza la transformada sin aroma, una técnica para mejorar la estimación de estado en modelos no lineales.
21: SAMV (algoritmo): presenta el algoritmo SAMV para una estimación robusta en entornos inciertos.
1: Filtro de Kalman extendido: presenta el filtro de Kalman extendido (EKF), una herramienta fundamental en la estimación no lineal.
2: Notación Bra-ket: explica la base matemática, centrándose en la estructura de los sistemas cuánticos.
3: Curvatura: analiza el concepto de curvatura y su influencia en el rendimiento de los filtros no lineales.
4: Estimación de máxima verosimilitud: detalla el enfoque estadístico utilizado para estimar los parámetros con la mayor verosimilitud.
5: Filtro de Kalman: proporciona una exploración en profundidad del filtro de Kalman, la base de muchas técnicas de estimación de estado.
6: Matriz de covarianza: describe la matriz de covarianza y su papel en la cuantificación de la incertidumbre en el filtrado.
7: Propagación de la incertidumbre: explora cómo la incertidumbre se propaga a lo largo del tiempo y afecta la precisión del filtrado.
8: Algoritmo de Levenberg-Marquardt: presenta este algoritmo, que optimiza los problemas de mínimos cuadrados no lineales.
9: Región de confianza: explica la región estadística que cuantifica la precisión de las estimaciones de parámetros.
10: Regresión no lineal: se centra en los métodos para ajustar modelos no lineales a los datos mediante técnicas de optimización.
11: Teoría de la estimación: proporciona la teoría detrás de la estimación, esencial para comprender el diseño y el análisis de filtros.
12: Mínimos cuadrados generalizados: analiza el enfoque generalizado para resolver problemas de regresión en presencia de heterocedasticidad.
13: Distribución de von Mises-Fisher: presenta esta distribución de probabilidad útil para datos direccionales en grandes dimensiones.
14: Filtro de Kalman de conjunto: explora una variación del filtro de Kalman adecuada para sistemas no lineales a gran escala.
15: Problema de filtrado (procesos estocásticos): detalla cómo se puede aplicar el filtrado a procesos aleatorios en sistemas dinámicos.
16: GPS/INS: describe la integración de GPS y sistemas de navegación inercial para una navegación y estimación precisas.
17: Mínimos cuadrados lineales: cubre el método de mínimos cuadrados para resolver problemas de regresión lineal.
18: Filtro que preserva la simetría: presenta filtros diseñados para preservar la simetría en sistemas, lo cual es importante en robótica.
19: Filtro de Kalman extendido invariante: explica una variación del EKF que mantiene la invariancia en sistemas no lineales.
20: Transformada sin aroma: analiza la transformada sin aroma, una técnica para mejorar la estimación de estado en modelos no lineales.
21: SAMV (algoritmo): presenta el algoritmo SAMV para una estimación robusta en entornos inciertos.
Filtro Kalman extendido: Técnicas avanzadas de estimación dinámica de estados para sistemas robóticos
407
Filtro Kalman extendido: Técnicas avanzadas de estimación dinámica de estados para sistemas robóticos
407
Product Details
| BN ID: | 2940180968135 |
|---|---|
| Publisher: | Mil Millones De Conocimientos [Spanish] |
| Publication date: | 12/13/2024 |
| Series: | Ciencia Robótica [Spanish] , #30 |
| Sold by: | PUBLISHDRIVE KFT |
| Format: | eBook |
| Pages: | 407 |
| File size: | 4 MB |
| Language: | Spanish |