目录
10.1 机器人的类别
操纵器：
机器人的配置由6个数字指定 6个自由度（DOF）
6是任意定位末端执行器所需的最小数量。对于动态系统，为每个自由度增加速度。
移动机器人：
非人体工程学的机器人：
一辆汽车有更多的DOF（3）而不是控制（2），所以是不符合人体工程学的。
通常不能在两个无限接近的配置之间转换。
10.2 交互中的不确定性来源
对于任何互动的移动代理（人类或机器人），有两个主要的不确定性来源。
- 他们所感知到的一切（感知）
- 他们所做的一切（行动）
所有这些误差都会无限制地累积起来。
因此，从完美的知识开始，使用误差非常小的动作移动，在一个无限长的动作序列之后，一个系统将在其位置估计上有无限的误差。
10.2.1 处理运动行动中的不确定性
使用传感器来验证行动（不简单）。
让我们来看看一个非常简单的传感器——距离传感器（激光测距仪）。
返回一个数字，与直线路径上最近的障碍物相对应，直到某个有限的距离。
有一些已知的误差（非精确的位置）。
有一些已知的假阳性/假阴性率（障碍物是否存在）。
有较小的空间范围——如果有部分障碍物怎么办？
有限的时间意味着不能检查每个位置，一个读数对邻近点的读数有什么意义。
传感器：
测距仪：声纳（陆地、水下）、激光测距仪、雷达（飞机）、触觉传感器、GPS
成像传感器：照相机（视觉、红外）。
本体感觉传感器：轴解码器（关节、车轮）、惯性传感器、力传感器、扭矩传感器
传感器的不确定性的影响：
必须对世界的行为方式做出假设，才能对读数进行解释。比如说：
- 一些有限分辨率的采样足以检测到障碍物（假设一个障碍物由数百个稀疏分布的长针脚组成，指向传感器）。
- 必须了解机器人的结构才能判断障碍物是什么。
- 给出一些传感器的读数，只有有限的概率是正确的——必须有一些方法来处理这个问题。
10.3 定位
在时间的一个行动
导致
状态和观测值
给出观察结果，计算当前位置和方向（姿势）。
传感器模型。使用对地标，
的观测
来估计机器人的状态
。
运动模型。使用其运动和
更新状态。
假设有高斯噪声进行运动预测，传感器距离测量。
可以使用粒子过滤来产生近似的位置估计
从机器人位置的统一先验分布的随机样本开始。
使用传感器测量值更新每个样本的似然性。
根据更新的似然性重新取样。
我们需要使用最新的测量值不断更新当前状态的分布。
机器人的状态不确定性随着它的移动而增加，直到我们找到一个地标。
假设地标是可识别的，否则，后验是多模态的。
10.4 绘图
定位：给定地图和观察到的地标，更新姿势分布。
绘图：给定姿势和观察到的地标，更新地图分布。
同时定位和绘图（SLAM）：
给定观察到的地标，更新姿态和地图分布。
SLAM的概率表述：
添加地标位置到状态向量，继续进行定位。
考虑有8个相同的地标的空间：
当再次检测到第一个地标时：机器人或地标位置没有不确定性。
10.5 传感器上的贝叶斯推理
需要一些方法来确定一个障碍物是否存在，给定传感器的多个测量值。
什么是贝叶斯推理？(修订)
- 一种在给定一组测量值的情况下，确定一个假设为真概率的方法。
- 概率
信念度。
条件概率的要素（修订）
在条件B下，A是真的概率。
给定M的情况下H的概率是多少：
：H的后验概率。
：
的先验概率。
：传感器模型。
：正则化系数。
正则化：
例子：
障碍物检测。
- 有障碍物存在的几率是1/10。
- 探测器有5%的假阳性率和10%的假阴性率。
- 如果检测器返回阳性结果，障碍物存在的概率是多少？
- 如果检测器反馈为负值，障碍物存在的概率是多少？
先验：
传感器模型：
如果传感器返回正值：
如果传感器返回负值：
贝叶斯法则的增量形式
贝叶斯定律可以被扩展到处理多个测量。
- 给出一组独立的测量值
。
- 假设
如果测量是独立的，可以使用增量形式。
- 给出当前的概率分布
- 和一个新的测量值
。
- 更新后的概率分布
使用增量形式的贝叶斯定律：
例子：
障碍物检测（再次）。
- 有障碍物存在的几率是1/10。
- 探测器有5%的假阳性率和10%的假阴性率。
- 如果检测器返回，存在障碍物的概率是多少？
- 一个阳性？
- 两个阳性？
- 两个阳性和一个阴性？
时间顺序：
10.6 运动规划
思路：在由机器人的DOF定义的配置空间中进行规划。
解决方案是自由C空间中的一个点轨迹。
基本问题：状态转换为有限状态空间。
单元分解：
将空间划分为简单的单元。
每个单元都可以 "轻松 "穿越（例如，凸形）。
骨架化：
确定构成一个图的有限数量的容易连接的点/线，这样图上的任何两个点都由一条路径连接。
扫一扫
2397
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
