【源码】基于C++和Eigen库的扩展卡尔曼滤波器实现

项目简介

本项目基于C++和Eigen库实现了扩展卡尔曼滤波器（Extended Kalman Filter, EKF），其目的是融合激光雷达和毫米波雷达的测量数据，以此精确估计行驶中的汽车和自行车位置。项目源自Udacity的自动驾驶汽车工程师课程，并且可以通过模拟器进行可视化展示。

项目的主要特性和功能

• 传感器融合：将激光雷达和毫米波雷达的测量数据进行融合，提升位置估计的准确性。
• 扩展卡尔曼滤波器：运用EKF进行状态估计，能够处理非线性测量模型。
• 模拟器支持：提供模拟器，可对滤波器的结果进行可视化展示。
• 实时数据处理：借助WebSocket通信实时处理传感器数据，并返回估计结果。

安装使用步骤

1. 环境配置

选择一：Ubuntu Bash

• 在Windows 10系统上安装Ubuntu Bash，参考安装步骤。
• 安装uWebSockets所需依赖库，如cmake、libssl-dev、openssl等。
• 运行项目提供的install-linux.sh脚本，或手动安装uWebSockets。

选择二：虚拟机

• 下载并使用Udacity提供的虚拟机，虚拟机下载地址为这里。
• 虚拟机中Linux系统的密码为udacity-nd。

2. 编译项目

• 进入项目文件夹，创建并进入build目录： bash mkdir build && cd build
• 使用CMake生成Makefile并编译项目： bash cmake .. && make
• 编译成功后，运行生成的可执行文件： bash ./ExtendedKF

3. 运行模拟器

打开模拟器，加载项目数据集，观察滤波器的结果。

4. 代码结构

• FusionEKF.cpp：实现融合扩展卡尔曼滤波器，处理传感器数据的初始化、预测和更新。
• kalman_filter.cpp：实现卡尔曼滤波器的核心功能，包括初始化、预测和更新步骤。
• main.cpp：主程序，处理WebSocket通信，调用FusionEKF进行状态估计，并计算RMSE。
• tools.cpp：辅助函数，如计算RMSE和雅可比矩阵。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】