从零开始搭建无人机导航系统(三)——状态估计与概率论(一)

前言

状态估计控制是机器人学中两个避不开的问题,对于无人机而言亦是如此。如何在理解无人机模型的基础上,利用传感器信息,尽可能准确地估计一组完整描述它随时间运动的物理量,如位置、速度、加速度、角度、角速度等等,是状态估计领域要解决的最主要问题。

 稳定、准确的状态估计是无人机稳定控制的基础。本篇将讨论状态估计与概率论之间的联系。

状态估计问题的定义

状态估计的过程是理解传感器本质的过程。任何传感器的精度都是有限的,因此,每个传感器的测量值也存在不确定性。

 传感器可分为两大类:内感受型外感受型

 总结来说,状态估计问题是根据系统的先验模型和测量序列,对系统内在状态进行重构的问题。

如何以最好的方式利用已有传感器是状态估计要解决的问题。

概率密度函数

 定义 x x x为区间 [ a , b ] [a,b] [a,b]上的随机变量,它服从某个概率密度函数 p ( x ) p(x) p(x),那么这个非负函数满足:
∫ a b p ( x ) d x = 1 \int_{a}^{b}p(x)dx=1 abp(x)dx=1
 当我们需要计算 x x x在区间 [ c , d ] [c,d] [c,d]上的概率 P r ( c ≤ x ≤ d ) Pr(c\leq x \leq d) Pr(cxd),则只需要对概率密度函数进行该区间上的积分运算:
P r ( c ≤ x ≤ d ) = ∫ c d p ( x ) d x Pr(c\leq x \leq d) = \int_{c}^{d}p(x)dx Pr(cxd)=cdp(x)dx

条件概率

 假设条件概率密度函数 p ( x ∣ y ) p(x|y) p(xy)表示自变量 x ∈ [ a , b ] x\in [a,b] x[a,b]在条件 y ∈ [ r , s ] y\in [r,s] y[r,s]下的概率密度函数,那么对于所有的 y y y
∫ a b p ( x ∣ y ) d x = 1 \int_{a}^{b}p(x|y)dx=1 abp(xy)dx=1
 条件概率可以这样理解:变量 x x x表示某一待估计的状态,变量 y y y表示传感器对于该状态的测量值。

 那么在传感器测量值取值一定的情况下( y ∈ [ r , s ] y\in [r,s] y[r,s]),变量 x x x在区间 [ a , b ] [a,b] [a,b]中取值的概率密度。

联合概率密度函数

 设自变量 x = ( x 1 , . . . x N ) x=(x_{1},...x_{N}) x=(x1,...xN),对于每一个 x i x_{i} xi,满足 x i ∈ [ a , b ] x_{i}\in [a,b] xi[a,b]。那么其联合概率满足全概率公理:
∫ a N b N . . . ∫ a 2 b 2 ∫ a 1 b 1 p ( x 1 , . . . x N ) d x 1 d

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值