State Estimation for Robotics_简介

本系列文章由 youngpan1101 出品，转载请注明出处。

文章链接： http://blog.csdn.net/youngpan1101/article/details/54343623

作者：宋洋鹏（youngpan1101）

邮箱： yangpeng_song@163.com

简要介绍

大家知道，做机器人以及SLAM有两本圣经，一本是大名鼎鼎的《Multiple View Geometry in Computer Vision》，另一本就是至今虽然尚未出版，但是已经在SLAM界广为流传的《State Estimation for Robotics》，这本书深入讲解了李代数的理论，以及从滤波器的角度来深入分析了机器人的状态估计方法。（引自 黄山老师带你学《State Estimation for Robotics》，这里给出书籍的百度云下载）





我是 SLAM 小白一个，这里感谢 SLAM研究者群-A (254787961)，群主带领小伙伴们为中国的 SLAM 界做出了有目共睹的贡献，另外还有 Visual Inertial SLAM群 (563932789)的黄老师为大伙讲解《State Estimation for Robotics》，还有 泡泡机器人 微信公众号，他们本着互相学习的态度带领小白们走进SLAM的大千世界，再次感谢他们。而我将以一个小白的身份，结合黄老师关于《State Estimation for Robotics》这本书的讲解，整理成一个系列的博客，也希望能结识志同道合的小伙伴，共同学习，共同进步。

书本的组织结构

Estimation Machinery

Estimation Machinery, 作为该书的第一部分，介绍了古典和前沿的估计方法，若无需考虑三维空间中运动的复杂性, 可假定用于估计的状态为一般的向量。若你考虑的问题不关系到三维空间中的细节问题，可以单独学习该部分。该部分包含了递推状态估计（recursive state estimation）和批处理方法（batch methods）。在机器人和机器学习盛行的今天，该书采用了Bayesian方法去做估计。我们比较了Bayesian方法和最大后验概率（maximum a posteriori, MAP） 方法 , 尝试弄清楚两者在非线性问题上的不同。当然还有机器学习中高斯过程回归（Gaussian process regression）的连续估计。最后，还涉及到估计的鲁棒性和偏差等实际问题。

Three-Dimensional Machinery

该书的第二部分，是关于三维几何的基本入门和李群相关知识的详细讲解。通常，我们通过物体的平移（translation）和旋转（rotation）来描述它在三维空间中的运动。鉴于物体的旋转部分不是通常意义的矢量，我们不能直接将第一部分介绍的估计方法应用到涉及旋转的三维运动上。该部分讨论了三维空间中的坐标系表示和坐标变换、旋转的若干表示方法，运动学公式，视觉和惯性传感器的测量方程，然后着重讨论了李群的矩阵表示方法。

Applications

该书的第三部分，将前两部分建立的数学工具应用于SLAM的具体问题。

需要补充的数学知识

本书所需要的矩阵和矩阵函数的知识

华罗庚《高等数学引论(第四册)》

李群和李代数

Wulf Rossman《Lie Groups: An Introduction Through Linear Groups》

Lie groups, Lie algebras, projective geometry and optimization for 3D Geometry, Engineering and Computer Vision

坐标变换和旋转以及姿态运动学

Peter Hughes《Spacecraft Attitude Dynamics》

贝叶斯滤波

Simo Sarkka 《Baysian Filtering and smoothing》