自动驾驶软硬件开发，合作交流请留言。

室内外融合定位系统；
室内外导航定位无缝切换；
无人驾驶、自动驾驶一站式传感器；
统一坐标系，厘米级精度：
内置自动驾驶控制，避障，绕障算法；

运动模型用来描述机器人的相对运动

公式：

箭头标注含义：

对比小结

• p：distribution 概率分布
• xt：new pose 新位姿（t 时刻机器人位姿，包含坐标 + 朝向）
• |：given 给定
• xt

  运动模型示例

• 
• Gaussian model 高斯模型 图里是椭圆（二维高斯分布的等概率椭圆）： 机器人运动后的位姿不确定性服从高斯（正态）分布，误差分布是光滑、单峰、对称的椭圆。 ✅ 适用：卡尔曼滤波（EKF/UKF-SLAM），假设噪声是高斯噪声。
• Non-Gaussian model 非高斯模型 用大量散点（粒子）表示概率分布，形状不规则，不一定对称。 机器人运动误差可能有多峰、不对称、拖尾等情况（比如轮子打滑、地面不平、丢转）。 ✅ 适用：粒子滤波（FastSLAM），不强制要求高斯假设，表达能力更强。
• 高斯模型：用均值 + 协方差矩阵描述不确定性，数学简洁，计算快；但现实机器人打滑时误差不再是高斯，会不准。
• 非高斯模型（粒子形式）：用一堆粒子采样去近似分布，可以描述任意形状的不确定性，代价是计算量更大。
• -1：old pose 旧位姿（t-1 时刻的位姿）
• ut：control 控制输入（轮子转速、里程计、控制指令等）

✅ 公式完整含义： 在已知上一时刻位姿 \(x_{t-1}\) 和当前控制量 \(u_t\) 的条件下，机器人下一时刻位姿 \(x_t\) 的概率分布。 这是 SLAM、粒子滤波、卡尔曼滤波里经典的运动先验，用来预测机器人移动之后大概会在什么位置（因为运动有噪声，不是确定值，是一个概率分布）。