概率机器人<2>_C2 状态估计-贝叶斯滤波器

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: