卡尔曼滤波器(2) -- α−β−γ滤波器(例1)
This blog is translated from https://www.kalmanfilter.net/default.aspx.
It’s an excellent tutorial about Kalman Filter written by Alex Becker.
目录
卡尔曼滤波器(1) – 背景知识
卡尔曼滤波器(2) – α−β−γ滤波器(例1)
卡尔曼滤波器(3) – α−β−γ滤波器(例2)
卡尔曼滤波器(4) – α−β−γ滤波器(例3&例4&总结)
卡尔曼滤波器(5) – 一维卡尔曼滤波器(介绍)
卡尔曼滤波器(6) – 一维卡尔曼滤波器(例5&完整模型)
卡尔曼滤波器(7) – 一维卡尔曼滤波器(例6)
卡尔曼滤波器(8) – 一维卡尔曼滤波器(例7&例8)
卡尔曼滤波器(9) – 多维卡尔曼滤波器(前言&预备)
卡尔曼滤波器(10) – 多维卡尔曼滤波器(状态外推方程)
卡尔曼滤波器(11) – 多维卡尔曼滤波器(线性动态系统模型)
卡尔曼滤波器(12) – 多维卡尔曼滤波器(协方差外推方程)
卡尔曼滤波器(13) – 多维卡尔曼滤波器(测量方程)
卡尔曼滤波器(14) – 多维卡尔曼滤波器(简短总结)
卡尔曼滤波器(15) – 多维卡尔曼滤波器(状态更新方程)
卡尔曼滤波器(16) – 多维卡尔曼滤波器(协方差更新方程)
卡尔曼滤波器(17) – 多维卡尔曼滤波器(卡尔曼增益)
卡尔曼滤波器(18) – 多维卡尔曼滤波器(简化的协方差更新方程)
卡尔曼滤波器(19) – 多维卡尔曼滤波器(总结)
卡尔曼滤波器(20) – 多维卡尔曼滤波器(例9)
例1 - 金条重量
在这个例子中,我们来估计静态系统的状态。静态系统是在一段合理的时间内不会更改状态的系统。例如,静态系统可以是一座塔,系统状态是塔的高度。
下面来估计金条的重量。我们的秤没有偏差,即秤的测量没有系统误差,但是测量包括随机噪声。
这里系统是金条,系统状态是金条的重量。假设金条的重量在短时间内不发生变化,即系统的动态模型是恒定的。
为了估计系统的状态(金条的重量),可以进行多次测量并求平均值。
在时间点 NNN,估计值 x^N,N\hat{x}_{N,N}x^N,N 是所有测量值的平均值:
x^N,N=1N(z1+z2+...+zN−1+zN)=1N∑n=1N(zn)(1)\hat{x}_{N,N} = \frac{1}{N}(z_1+z_2+...+z_{N-1}+z_N) = \frac{1}{N}\mathop{\sum_{n=1}^N}(z_n) \tag{1} x^N,N=N1(z1+z2+...+zN−1+zN)=N1n=1∑N(zn)(1)示例符号:
xxx | 是重量的真实值 |
znz_nzn | 是第 nnn 次称重的测量值 |
x^n,n\hat{x}_{n,n}x^n,n | 是第 nnn 次 xxx 的估计值(测量出 znz_nzn 之后进行估算) |
x^n,n−1\hat{x}_{n,n-1}x^n,n−1 | 是 xxx 的先验估计值,在时间 n−1n-1n−1 时计算出(测量出 zn−1z_{n-1}zn−1 之后进行估算) |
x^n+1,n\hat{x}_{n+1,n}x^n+1,n | 是对未来 n+1n+1n+1 时 xxx 的估计,在第 nnn 次测量出 znz_nzn 后进行估算。换言之 x^n+1,n\hat{x}_{n+1,n}x^n+1,n 是一个预测值 |
注:在文章中,变量头顶带有“尖号”表示它是估计值
本例中的动态模型是恒定的(这句话翻译过来是这样的,意思其实就是指静态模型),因此 x^n+1,n=x^n,n\hat{x}_{n+1,n}=\hat{x}_{n,n}x^n+1,n=x^n,n
若想要按照公式 (1) 估计 x^N,N\hat{x}_{N,N}x^N,N,我们需要记录所有历史测量数据。
然而我们没有笔和纸,电脑也没有足够的内存记录所有的历史数据。
通过下面方法可以通过迭代来算得估计值,每次只需要用到上一次的估计值:
推导过程 | 备注 |
---|---|
x^N,N=1N∑n=1N(zn)\hat{x}_{N,N} = \frac{1}{N}\mathop{\sum_{n=1}^N}(z_n)x^N,N=N1∑n=1N(zn) | 平均公式:NNN 次测量值相加,除以 NNN |
=1N(∑n=1N−1(zn)+zN)\qquad = \frac{1}{N} \left( \mathop{\sum_{n=1}^{N-1}}(z_n) + z_N\right)=N1(∑n=1N−1(zn)+zN) | 前 N−1N-1N−1 次之和,加上第 NNN 次,再除以 NNN |
=1N∑n=1N−1(zn)+1NzN\qquad = \frac{1}{N} \mathop{\sum_{n=1}^{N-1}}(z_n) + \frac{1}{N}z_N=N1∑n=1N−1(zn)+N1zN | 展开 |
=1NN−1N−1∑n=1N−1(zn)+1NzN\qquad = \frac{1}{N} \frac{N-1}{N-1} \mathop{\sum_{n=1}^{N-1}}(z_n) + \frac{1}{N}z_N=N1N−1N−1∑n=1N−1(zn)+N1zN | 乘以并除以 N−1N-1N−1 |
=N−1N1N−1∑n=1N−1(zn)+1NzN\qquad = \frac{N-1}{N} \color{Orange}{\frac{1}{N-1} \mathop{\sum_{n=1}^{N-1}} (z_n)} \color{Black} + {\frac{1}{N}z_N}=NN−1N−11∑n=1N−1(zn)+N1zN | 橙色的就是上一次的估计值 |
=N−1Nx^N,N−1+1NzN\qquad = \frac{N-1}{N} \color{Orange}{ \hat{x}_{N,N-1}} \color{Black} + {\frac{1}{N}z_N}=NN−1x^N,N−1+N1zN | 橙色的就是上一次的估计值 |
=x^N,N−1−1Nx^N,N−1+1NzN\qquad =\hat{x}_{N,N-1} - \frac{1}{N} \hat{x}_{N,N-1} + \frac{1}{N}z_N=x^N,N−1−N1x^N,N−1+N1zN | 展开 |
=x^N,N−1+1N(zN−x^N,N−1)\qquad =\hat{x}_{N,N-1} + \frac{1}{N} \left( z_N - \hat{x}_{N,N-1} \right)=x^N,N−1+N1(zN−x^N,N−1) | 合并 |
即:
x^N,N=x^N,N−1+1N(zN−x^N,N−1)(2)\hat{x}_{N,N} = \hat{x}_{N,N-1} + \frac{1}{N} \left( z_N - \hat{x}_{N,N-1} \right) \tag{2} x^N,N=x^N,N−1+N1(zN−x^N,N−1)(2)
x^N,N−1\hat{x}_{N,N-1}x^N,N−1 是 xxx 在 NNN 时刻,基于 N−1N-1N−1 时刻(上一次)的测量值做出的预测状态。
换言之,x^N,N−1\hat{x}_{N,N-1}x^N,N−1 是先验估计值(上一次的估计值)。
正常来说,我们利用公式 (2) 算出了 x^N,N\hat{x}_{N,N}x^N,N,要再用某个方程算出 x^N+1,N\hat{x}_{N+1,N}x^N+1,N 作为下一轮计算的先验估计值,才能继续套用公式 (2) 迭代下去。
这里为了方便教学先讲静态系统,本例中 x^N+1,N=x^N,N\hat{x}_{N+1,N} = \hat{x}_{N,N}x^N+1,N=x^N,N,后面的例子再讲如何从 x^N,N\hat{x}_{N,N}x^N,N 到 x^N+1,N\hat{x}_{N+1,N}x^N+1,N (用状态外推方程)。
公式 (2) 是卡尔曼滤波方程的五个方程之一,叫做状态更新方程(State Update Equation),其形式和含义为:
公式 (2) 中的系数 1N\dfrac{1}{N}N1 是本例的一个特定值。
在卡尔曼滤波中,这个系数叫做卡尔曼增益(Kalman Gain),记作 KnK_nKn,下标 nnn 表示它随每次迭代而变化。
KnK_nKn 的发现是Rudolf Kalman的主要贡献之一。
在我们深入学习卡尔曼滤波器前,会使用希腊字母 αn\alpha_nαn 来代替 KnK_nKn。
此时状态更新方程为:
x^n,n=x^n,n−1+αn(zn−x^n,n−1)(3)\hat{x}_{n,n} = \hat{x}_{n,n-1} + \alpha_n \left( z_n - \hat{x}_{n,n-1} \right) \tag{3} x^n,n=x^n,n−1+αn(zn−x^n,n−1)(3)
(zn−x^n,n−1)\left( z_n - \hat{x}_{n,n-1} \right)(zn−x^n,n−1) 为测量残差,也被称为更新(innovation),它包含了新的信息。
在本例中,1N\dfrac{1}{N}N1 随着 NNN 的增加而减小,这意味着刚开始的时候,我们没有足够的重量信息,因此估算值主要取决于测量值。继续进行下去,1N\dfrac{1}{N}N1 逐渐变小,每次测量的结果在估计过程中占比也越来越少。迭代次数足够多时,新的测量值对估计值的影响可以忽略不计。
继续本例,在做第一次测量之前,可以通过看金条上刻的数字(或粗略估计)得到金条的重量,着称为初始猜测(Initial Guess),它将是我们的第一个估计。
后面会讲到,卡尔曼滤波器需要预设一个初始猜测值,这个值不用很精准。
估计算法
下图描述了本例中使用的估计算法:
实例
第零次迭代
初始化
我们对金条重量的初始估计是1000克。滤波器初始化操作仅需一次,不会用在下一次迭代中。
x^0,0=1000g\hat{x}_{0,0}=1000g x^0,0=1000g
预测
金条的重量是不变的,因此系统的动态模型是静态的,状态的下一个估计值(预测值)等于初始值:
x^1,0=x^0,0=1000g\hat{x}_{1,0}=\hat{x}_{0,0}=1000g x^1,0=x^0,0=1000g
第一次迭代
步骤1
测量。第一次称重:
z1=1030gz_1=1030g z1=1030g
步骤2
计算增益,在本例中 αn=1n\alpha_n = \dfrac{1}{n}αn=n1,因此:
α1=11=1\alpha_1 = \frac{1}{1}=1 α1=11=1用状态更新方程计算当前估计值:
x^1,1=x^1,0+α1(z1−x^1,0)=1000+1(1030−1000)=1030g\begin{aligned} \hat{x}_{1,1} &= \hat{x}_{1,0} + \alpha_1 (z_1-\hat{x}_{1,0}) \\ &= 1000+1(1030−1000) \\ &= 1030g \end{aligned}x^1,1=x^1,0+α1(z1−x^1,0)=1000+1(1030−1000)=1030g
注:在这个特定的例子中,最初的猜测可以是任何值,因为 α1=1\alpha_1=1α1=1 ,展开式子后初始猜测值(x^1,0\hat{x}_{1,0}x^1,0)在第一次迭代就被消去了。
步骤3
系统的动态模型是静态的,因此金条的重量不会改变,状态的下一个估计值(预测值)等于当前的估计值:
x^2,1=x^1,1=1030g\hat{x}_{2,1} = \hat{x}_{1,1} =1030g x^2,1=x^1,1=1030g
第二次迭代
经过一个单位时间后,上一次迭代的预测值(predicted estimate)将成为当前迭代的先验估计值(previous estimate):
x^2,1=1030g\hat{x}_{2,1} =1030g x^2,1=1030g
步骤1
测量。第二次称重:z2=989gz_2=989gz2=989g
步骤2
计算增益:α2=12\alpha_2 = \frac{1}{2}α2=21
计算当前估计值:x^2,2=x^2,1+α2(z2−x^2,1)=1030+12(989−1030)=1009.5g\begin{aligned} \hat{x}_{2,2} &= \hat{x}_{2,1} + \alpha_2 (z_2-\hat{x}_{2,1}) \\ &= 1030+\frac{1}{2}(989−1030) \\ &= 1009.5g \end{aligned}x^2,2=x^2,1+α2(z2−x^2,1)=1030+21(989−1030)=1009.5g
步骤3
x^3,2=x^2,2=1009.5g\hat{x}_{3,2} = \hat{x}_{2,2} =1009.5g x^3,2=x^2,2=1009.5g
第三次迭代
x^3,2=1009.5,z3=1017g,α3=13\hat{x}_{3,2}=1009.5,z_3 = 1017g,\alpha_3=\frac{1}{3} x^3,2=1009.5,z3=1017g,α3=31x^3,3=x^3,2+α3(z3−x^3,2)=1009.5+13(1017−1009.5)=1012g\begin{aligned} \hat{x}_{3,3} &= \hat{x}_{3,2} + \alpha_3 (z_3-\hat{x}_{3,2}) \\ &= 1009.5+\frac{1}{3}(1017−1009.5) \\ &= 1012g \end{aligned} x^3,3=x^3,2+α3(z3−x^3,2)=1009.5+31(1017−1009.5)=1012gx^4,3=x^3,3=1012g\hat{x}_{4,3} = \hat{x}_{3,3} = 1012g x^4,3=x^3,3=1012g
第四次迭代
x^4,3=1012g,z4=1009g,α4=14\hat{x}_{4,3}=1012g,z_4 = 1009g,\alpha_4=\frac{1}{4} x^4,3=1012g,z4=1009g,α4=41x^4,4=x^4,3+α4(z4−x^4,3)=1012+14(1009−1012)=1011.25g\begin{aligned} \hat{x}_{4,4} &= \hat{x}_{4,3} + \alpha_4 (z_4-\hat{x}_{4,3}) \\ &= 1012+\frac{1}{4}(1009−1012) \\ &= 1011.25g \end{aligned} x^4,4=x^4,3+α4(z4−x^4,3)=1012+41(1009−1012)=1011.25gx^5,4=x^4,4=1011.25g\hat{x}_{5,4} = \hat{x}_{4,4} = 1011.25g x^5,4=x^4,4=1011.25g
第五次迭代
x^5,4=1011.25g,z5=1013g,α5=15\hat{x}_{5,4}=1011.25g,z_5 = 1013g,\alpha_5=\frac{1}{5} x^5,4=1011.25g,z5=1013g,α5=51x^5,5=x^5,4+α5(z5−x^5,4)=1011.25+15(1013−1011.25)=1011.6g\begin{aligned} \hat{x}_{5,5} &= \hat{x}_{5,4} + \alpha_5 (z_5-\hat{x}_{5,4}) \\ &= 1011.25+\frac{1}{5}(1013−1011.25) \\ &= 1011.6g \end{aligned} x^5,5=x^5,4+α5(z5−x^5,4)=1011.25+51(1013−1011.25)=1011.6gx^6,5=x^5,5=1011.6g\hat{x}_{6,5} = \hat{x}_{5,5} = 1011.6g x^6,5=x^5,5=1011.6g
第六次迭代
x^6,5=1011.6g,z6=979g,α6=16\hat{x}_{6,5}=1011.6g,z_6 = 979g,\alpha_6=\frac{1}{6} x^6,5=1011.6g,z6=979g,α6=61x^6,6=x^6,5+α6(z6−x^6,5)=1011.6+16(979−1011.6)=1006.17g\begin{aligned} \hat{x}_{6,6} &= \hat{x}_{6,5} + \alpha_6 (z_6-\hat{x}_{6,5}) \\ &= 1011.6+\frac{1}{6}(979−1011.6) \\ &= 1006.17g \end{aligned} x^6,6=x^6,5+α6(z6−x^6,5)=1011.6+61(979−1011.6)=1006.17gx^7,6=x^6,6=1006.17g\hat{x}_{7,6} = \hat{x}_{6,6} = 1006.17g x^7,6=x^6,6=1006.17g
第七次迭代
x^7,6=1006.17g,z7=1008g,α7=17\hat{x}_{7,6}=1006.17g,z_7 = 1008g,\alpha_7=\frac{1}{7} x^7,6=1006.17g,z7=1008g,α7=71x^7,7=x^7,6+α7(z7−x^7,6)=1006.17+17(1008−1006.17)=1006.43g\begin{aligned} \hat{x}_{7,7} &= \hat{x}_{7,6} + \alpha_7 (z_7-\hat{x}_{7,6}) \\ &= 1006.17+\frac{1}{7}(1008-1006.17) \\ &= 1006.43g \end{aligned} x^7,7=x^7,6+α7(z7−x^7,6)=1006.17+71(1008−1006.17)=1006.43gx^8,7=x^7,7=1006.43g\hat{x}_{8,7} = \hat{x}_{7,7} = 1006.43g x^8,7=x^7,7=1006.43g
第八次迭代
x^8,7=1006.43g,z8=1042g,α8=18\hat{x}_{8,7}=1006.43g,z_8 = 1042g,\alpha_8=\frac{1}{8} x^8,7=1006.43g,z8=1042g,α8=81x^8,8=x^8,7+α8(z8−x^8,7)=1006.43+18(1042−1006.43)=1010.87g\begin{aligned} \hat{x}_{8,8} &= \hat{x}_{8,7} + \alpha_8 (z_8-\hat{x}_{8,7}) \\ &= 1006.43+\frac{1}{8}(1042-1006.43) \\ &= 1010.87g \end{aligned} x^8,8=x^8,7+α8(z8−x^8,7)=1006.43+81(1042−1006.43)=1010.87gx^9,8=x^8,8=1010.87g\hat{x}_{9,8} = \hat{x}_{8,8} = 1010.87g x^9,8=x^8,8=1010.87g
第九次迭代
x^9,8=1010.87g,z9=1012g,α9=19\hat{x}_{9,8}=1010.87g,z_9 = 1012g,\alpha_9=\frac{1}{9} x^9,8=1010.87g,z9=1012g,α9=91x^9,9=x^9,8+α9(z9−x^9,8)=1012+19(1012−1010.87)=1011g\begin{aligned} \hat{x}_{9,9} &= \hat{x}_{9,8} + \alpha_9 (z_9-\hat{x}_{9,8}) \\ &= 1012+\frac{1}{9}(1012-1010.87) \\ &= 1011g \end{aligned} x^9,9=x^9,8+α9(z9−x^9,8)=1012+91(1012−1010.87)=1011gx^10,9=x^9,9=1011g\hat{x}_{10,9} = \hat{x}_{9,9} = 1011g x^10,9=x^9,9=1011g
第十次迭代
x^10,9=1011g,z10=1011g,α10=110\hat{x}_{10,9}=1011g,z_{10} = 1011g,\alpha_{10}=\frac{1}{10} x^10,9=1011g,z10=1011g,α10=101x^10,10=x^10,9+α10(z10−x^10,9)=1011+110(1011−1011)=1011g\begin{aligned} \hat{x}_{10,10} &= \hat{x}_{10,9} + \alpha_{10} (z_{10}-\hat{x}_{10,9}) \\ &= 1011+\frac{1}{10}(1011-1011) \\ &= 1011g \end{aligned} x^10,10=x^10,9+α10(z10−x^10,9)=1011+101(1011−1011)=1011gx^11,10=x^10,10=1011g\hat{x}_{11,10} = \hat{x}_{10,10} = 1011g x^11,10=x^10,10=1011g
差不多可以了,增益随每次测量而减小,因此,每一个测量值的影响都比前一个测量值小。1010克很接近真实的重量了。如果进行更多的测量,就会更趋近真实值。
下表总结了测量值和估计值,图表比较了测量值、估计值和真实值。
nnn | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
---|---|---|---|---|---|---|---|---|---|---|
αn\alpha_nαn | 11\frac{1}{1}11 | 12\frac{1}{2}21 | 13\frac{1}{3}31 | 14\frac{1}{4}41 | 15\frac{1}{5}51 | 16\frac{1}{6}61 | 17\frac{1}{7}71 | 18\frac{1}{8}81 | 19\frac{1}{9}91 | 110\frac{1}{10}101 |
znz_nzn | 1030 | 989 | 1017 | 1009 | 1013 | 979 | 1008 | 1042 | 1012 | 1011 |
x^n,n\hat{x}_{n,n}x^n,n | 1030 | 1009.5 | 1012 | 1011.25 | 1011.6 | 1006.17 | 1006.43 | 1010.87 | 1011 | 1011 |
x^n+1,n\hat{x}_{n+1,n}x^n+1,n | 1030 | 1009.5 | 1012 | 1011.25 | 1011.6 | 1006.17 | 1006.43 | 1010.87 | 1011 | 1011 |
如图所示,估计算法对测量值有平滑效果,估计值会趋近真实值。
总结
在这个例子中,我们为静态系统设计了一个简单的估计算法,并且推导出了卡尔曼滤波的五个方程之一的状态更新方程。
卡尔曼滤波器(2) -- α−β−γ滤波器(例1)相关推荐
- 卡尔曼滤波器(4) -- α−β−γ滤波器(例3例4总结)
This blog is translated from https://www.kalmanfilter.net/default.aspx. It's an excellent tutorial a ...
- 卡尔曼滤波器(3) -- α−β−γ滤波器(例2)
This blog is translated from https://www.kalmanfilter.net/default.aspx. It's an excellent tutorial a ...
- 有源滤波器——Salley滤波器
此文提供关于Salley-Key有源滤波器计算参考,仅作参考,请谨慎处理,如果问题请大家指摘. 有源滤波器 有源滤波器一般不适用体积大.价格高的低频线圈L,而是由RC和放大电路网络构成滤波器.其中的放 ...
- Pytorch----卷积神经网络(CNN,图像边缘检测 , Sobel滤波器 , Scharr滤波器)--入门级小实例(逐行注释)---学习笔记
题目:对任意图片进行简单卷积操作,并提取图片的边缘信息 文章目录 小练习~卷积实例 小练习~边缘特征提取实例 关于边缘检测的原理 Sobel滤波器 Scharr滤波器 本次使用图片: 小练习~卷积实例 ...
- [运放滤波器]5_滤波器的分类
[运放滤波器]4_积分微分电路 [动态系统的建模与分析]15_伯德图,bode图,为什么是20logM?分贝又是什么? [动态系统的建模与分析]9_一阶系统的频率响应_低通滤波器 [动态系统的建模与分 ...
- [就酱的新征程]数字处理仿真与应用实验二:模拟低通 Butterworth 滤波器 IIR 滤波器(Matlab)
@数字处理仿真与应用实验二:模拟低通 Butterworth 滤波器 IIR 滤波器(Matlab) 这学期数字处理仿真与应用实验的记录 不多说,进入正题吧~ 实验要求 利用模拟滤波器原型设计 IIR ...
- 线性滤波器非线性滤波器
前言 采用线性滤波和非线性滤波是在空间域上处理图像最常用的滤波方法.matlab在处理图像滤波方面拥有可调用的函数,十分便利.我们可以根据自己的需要自行选择滤波方式对图像进行滤波.值得一提的是,图像锐 ...
- opencv图像处理中的一些滤波器+利用滤波器提取条形码(解析二维码)+公交卡倾斜矫正+物体尺寸丈量
一般来说,图像的能量主要集中在其低频部分,噪声所在的频段主要在高频段,同时图像中的细节信息也主要集中在其高频部分,因此,如何去掉高频干扰同时又保持细节信息是关键.为了去除噪声,有必要对图像进行平滑,可 ...
- 滤波器原理及其作用计算机网络,什么是滤波器?滤波器原理及其作用是什么?...
波形滤波器表示呈现和/或捕获波形格式的数字音频数据的设备.应用程序通常通过DirectSound API或Microsoft Windows多媒体waveOut Xxx和waveIn Xxx函数来访问 ...
最新文章
- kali win10双系统_kali 双系统+实体机(win10+kali)
- matlab 多元多项式回归_Python机器学习之?线性回归入门(二)
- POJ 2411 Mondriaan's Dream
- 数据结构与索引-- mySql索引诡异事件
- React开发(157):一级直接用getFieldDecorator
- 图像的频率谱和功率谱代表什么_视频/图像质量评价综述(三)
- 在hue中操作hive
- 神奇的Gamma函数(scipy)
- java 8种元素_从Java 8流中获取第n个元素
- 外包开发app系统软件价格表:价格一般多少呢
- html 表单 元素 美化,分享10款jQuery的表单元素样式美化插件
- CAD转JPG时设置转换质量
- 阿里收购优酷土豆:内容进入GGC时代!
- VUE React Angular
- 小米盒子进入android,当北市场教您如何使用小米盒子安装非Android大型游戏
- 使用Google Earth画线路图
- PS精修教程:如何给后期人物进行精修
- 点开/双击TIM没有反应
- 基于5G/4G边缘网关的建筑机器人应用
- 一站式机器学习云研发平台