So this completes my unit on Kalman
filters. You learned actually quite a bit.
You learned about Gaussians,
how to do measurement updates
using multiplication,
how to do prediction
or state transitions
using convolution,
and you even implemented your first
Kalman filter, which is really super cool.
You've implemented it in the
context of vehicle tracking,
and you used it
to estimate a nonobservable velocity
for measurement data.
Now, next is your homework assignment.
I hope you can prove what
you've learned and ace it.
And then, next week,
we're going to move into
particle filters, which is
which is an exciting third method
for state estimation.
So I'll see you for the homework
assignment,
and then I'll see you in class for
particle filters.
Así que aquí termina la unidad de filtros de Kalman. Usted en realidad ha aprendido bastante.
Ha aprendido sobre gaussianas, la forma de hacer las actualizaciones de medición utilizando la multiplicación,
como hacer predicciones o transición de estado usando la convolución,
e incluso implementó su primer filtro de Kalman, que es realmente super interesante.
Usted lo ha implementado en el contexto de seguimiento de vehículos,
y lo utilizó para estimar una velocidad no observable para los datos de medición.
Ahora, los siguiente es la tarea para casa.
Espero que puedan demostrar lo que ha aprendido.
Y luego, la próxima semana, vamos a pasar a los filtros de partículas, el cual es un tercer método interesante para la estimación del estado.
Así que mirate la tarea, y luego te veré en clase de los filtros de partículas.
カルマンフィルタの授業はここで終わりです
多くのことを学びましたね
ガウス分布や掛け算を使った観測更新
畳み込みを使った予測や状態遷移の方法
そしてカルマンフィルタを実装しました
本当にすごいことです
観測データを取れない速度を予測するために
車両を追跡してみせたのですから
課題では今まで学んだことを使って
いい成績を取ってください
次回は粒子フィルタを学びます
状態を推定する3つ目の方法です
では課題と次の講義でまたお会いしましょう