Probabilistic Robotics ( II.II )
2016-12-23 22:09
141 查看
Name: Probabilistic Robotics,Sebastian Thrun, Wolfram Burgard and Dieter Fox, Also see http://www.probabilistic-robotics.org
译者 Keung Charteris & T.s.road CZQ
邮箱 cztsiang(at)gmail.com
从第二章开始翻译,每周更新,如有错误,欢迎指正。
本书的核心就是通过传感器数据进行状态估计。状态估计解决的问题是评估传感器数据的质量,这些数据并不是直接可以观测到的,而是通过推断出来的。在大部分的机器人应用中,如果知道一些已知量,那么确定下一步做什么就相对容易了。举个例子,如果机器人当前的位置和周围环境中所有的障碍都已知,那么移动一个机器人是很容易的。然而,这些变量并不能被直接观测到。作为替代,机器人不得不依靠它的传感器收集信息。传感器仅仅获取这些未知量的部分信息,并且测量结果也常常受到噪声的干扰。状态估计试图从这些数据中重现状态量。概率状态估计算法基于可能的世界状态计算状态的可信分布。本书的前言中:mobile robot localization 就是概率状态估计的一个例子。
本节的目的就是介绍基本的词汇和数学工具。
2.2节介绍贯穿本书的概率的基本概念。
2.3节描述我们的机器人与环境相关关系的模型,并且设定一些贯穿本书的核心术语。
2.4节介绍贝叶斯滤波器,也就是状态估计的递归算法,实际上其中的每一种技术都构成了本书的基础。
2.5 节讨论了但实现贝叶斯滤波器时,出现的代表性的和计算性的话题。
2.2 概率中的基本概念
本章使读者熟悉贯穿本书的基本的标识和统计的知识。在本书中例如观测量、控制量、机器人的状态量、以及环境变量,都被模型化为随机变量。随机变量可以取多种类型的值,当然这样根据具体的概率规则。概率推理是根据这些规则计算随机变量的过程,其中随机变量是从其他随机变量或观测数据中提取出的。
假设 X 表示一个随机变量,x 表示为 X 具体的可能取值。一个标准的随机变量的例子就是抛硬币 (cois flip) , X 具体的可能取值为{正面heads,反面tails},如果 X 可能取值的空间是离散的,就像 X 是抛硬币的结果这种情况,我们定义 p(X=x) 来表示随机变量 X 取值为 x 时的概率。举个例子,一枚均匀的硬币,可以通过 p(X=head)=p(X=tail)=0.5 。离散型随机变量的和为1,如∑xp(X=x)=1
概率是非负的,即p(X=x)≥0。
为了简化符号说明,在任何可能的时候,我们会忽略随机变量的显示定义,而是用常用的缩写p(x)来代替p(X=x)。
本书的大多数技术都是解决连续空间的估计和决策问题。连续空间通过随机变量的取值连续来表示。除非特殊说明,所有的随机变量都有概率密度函数(PDFs)。一个常用的概率密度函数,一维的均值为,方差为的正态分布。标准形式的概率密度函数如下式高斯函数
p(x)=(2πσ2)12exp{−12(x−μ)2σ2}
译者 Keung Charteris & T.s.road CZQ
邮箱 cztsiang(at)gmail.com
从第二章开始翻译,每周更新,如有错误,欢迎指正。
2 递归状态估计
2.1 绪论本书的核心就是通过传感器数据进行状态估计。状态估计解决的问题是评估传感器数据的质量,这些数据并不是直接可以观测到的,而是通过推断出来的。在大部分的机器人应用中,如果知道一些已知量,那么确定下一步做什么就相对容易了。举个例子,如果机器人当前的位置和周围环境中所有的障碍都已知,那么移动一个机器人是很容易的。然而,这些变量并不能被直接观测到。作为替代,机器人不得不依靠它的传感器收集信息。传感器仅仅获取这些未知量的部分信息,并且测量结果也常常受到噪声的干扰。状态估计试图从这些数据中重现状态量。概率状态估计算法基于可能的世界状态计算状态的可信分布。本书的前言中:mobile robot localization 就是概率状态估计的一个例子。
本节的目的就是介绍基本的词汇和数学工具。
2.2节介绍贯穿本书的概率的基本概念。
2.3节描述我们的机器人与环境相关关系的模型,并且设定一些贯穿本书的核心术语。
2.4节介绍贝叶斯滤波器,也就是状态估计的递归算法,实际上其中的每一种技术都构成了本书的基础。
2.5 节讨论了但实现贝叶斯滤波器时,出现的代表性的和计算性的话题。
2.2 概率中的基本概念
本章使读者熟悉贯穿本书的基本的标识和统计的知识。在本书中例如观测量、控制量、机器人的状态量、以及环境变量,都被模型化为随机变量。随机变量可以取多种类型的值,当然这样根据具体的概率规则。概率推理是根据这些规则计算随机变量的过程,其中随机变量是从其他随机变量或观测数据中提取出的。
假设 X 表示一个随机变量,x 表示为 X 具体的可能取值。一个标准的随机变量的例子就是抛硬币 (cois flip) , X 具体的可能取值为{正面heads,反面tails},如果 X 可能取值的空间是离散的,就像 X 是抛硬币的结果这种情况,我们定义 p(X=x) 来表示随机变量 X 取值为 x 时的概率。举个例子,一枚均匀的硬币,可以通过 p(X=head)=p(X=tail)=0.5 。离散型随机变量的和为1,如∑xp(X=x)=1
概率是非负的,即p(X=x)≥0。
为了简化符号说明,在任何可能的时候,我们会忽略随机变量的显示定义,而是用常用的缩写p(x)来代替p(X=x)。
本书的大多数技术都是解决连续空间的估计和决策问题。连续空间通过随机变量的取值连续来表示。除非特殊说明,所有的随机变量都有概率密度函数(PDFs)。一个常用的概率密度函数,一维的均值为,方差为的正态分布。标准形式的概率密度函数如下式高斯函数
p(x)=(2πσ2)12exp{−12(x−μ)2σ2}
相关文章推荐
- hdu 2830 Matrix Swapping II
- HDU 4513 吉哥系列故事——完美队形II
- [LeetCode]Course Schedule II
- (Collection)350. Intersection of Two Arrays II
- Leetcode 219 Contains Duplicate II
- uc/os-ii介绍
- Populating Next Right Pointers in Each Node II
- HDU 1002--A + B Problem II【大数】
- 背包问题 II
- Range Addition II
- [LeetCode] Unique Paths II
- 2.2.5 Remove Duplicates from Sorted List II
- HDU oj A + B Problem II
- 264. Ugly Number II
- 522. Longest Uncommon Subsequence II 题解
- II. Positioning---Chapter 5----Overlap and Depth Buffering
- Linked List Cycle II
- Unique Binary Search Trees II
- Paint House II
- POJ2536 Gopher II(二分图最大匹配)