Abbr:
TBD
牢记
重点
- 后验:posterior , 先验:prior
- 概率密度函数: PDF
- 一维正态分布表示:
- 离散时间: 本书中的时间将是离散的, t1,t2,t3,... tn
- 状态用 x 表示,尽管 x 所包含的具体变量取决于上下文。时间 t的状态表示为 xt 。
- 在时间 t 的测量数据表示为 zt
- 控制数据用 ut表示
- pose : 6自由度表示 : (x,y,z)坐标和对应的 三个旋转角 (roll,pitch,yaw)--一阶就是得到速度变化率,只在平面上运动的话,就缩减为(x,y,0),(0,0,yaw=heading angle) 3个自由度。
- 系统状态等于某一个绝对值(真值)的概率。用bel (xt)表示
- 运动学状态 =(kinematic state)
- 地标:环境物体的位置都是静态的。本书将物体假设为地标 (landmarks) 形式
- 状态 xt,是随机地,由状态 xt-1 产生的。因此,指定生成 xt的概率分布是有意义的 。表示为: 。如果状态 x 是完整的,那么它是所有以前时刻发生的所有状态的充分总结
本节是全书的理论基石。
Recursive State Estimation 递归状态估计
核心:就是由传感器数据来进行“状态估计”
状态方程中的状态变量 通常不能被传感器准确,直接测得。---无法只通过一次测量确定位姿 (同一个场景中,如果有相同的门,没法确定是哪一个!)。必须长时间整合数据以确定它的位姿 。 而且还混杂了噪声。因此用概率置信度来估计状态变量。比如定位问题,机器人自己在哪儿?--98%的概率处于坐标(x,y)处。
1. 基本概念:
随机变量:传感器测量、控制、机器人的状态及其环境
概率推理: 由其他随机变量和所观测数据推导随机变量的相关定律 的过程
Probability Density Function PDF : p(x)
概率密度函数:的积分总为1,
一维正态分布PDF: