DaqianC的博客

1. 简介可以把定位看作坐标系变换问题，即全局地图坐标系与机器人local坐标系的变换。传感器通常不能直接测量位置，需要从其他数据中推算位置。通常需要累积一段时间的数据，来进行定位。定位算法通常针对特定地图表达方式，多种多样。2. 定位问题分类局部(local) v.s. 全局(global)定位问题可按照初始化的信息和运行时的信息分三类，难度递增：位置追踪（position t...

概率机器人笔记 Chapter 6: 测量（Measurements）1. 简介测量模型描述了在物理世界中传感器数据的生成。概率机器人学将噪声显式地融入传感器测量模型中。测量模型定义为条件概率p(zt∣xt,m)p(z_t|x_t,m)p(zt​∣xt​,m)对于超声波的噪声：1.偏大：以特定角度测量光滑平面->反射（specular reflection效应）2.偏小：sen...

1. 简介本章介绍两个全局定位算法，与第七章介绍的高斯方法有所不同：可以处理原始传感器数据，不用提取特征，也可以处理负信息。非参数化，不受限于EKF的单模型分布。可以解决全局定位问题，有时甚至可以解决绑架问题。第一个算法叫栅格定位。它使用一个直方图滤波器来表示后验置信。缺点是，如果栅格划分很细，则计算量很大。如果划分粗糙，则离散化时信息丢失会影响滤波器表现。第二个算法叫蒙特卡洛定位...

高斯滤波器1. 简介本章讲解一系列递归状态估计器，统称高斯滤波器。高斯滤波器是最早的连续贝叶斯滤波器的计算量可实现版本。高斯滤波器的思想是所有的置信度都是多元高斯。分布表达式：p(x)=det⁡(2πΣ)−frac12exp⁡{−12(x−μ)TΣ−1(x−μ)}p(x)=\det (2\pi\Sigma)^{-frac{1}{2}}\exp\{-\frac{1}{2}(x-\mu)^T...

1. 简介前两章讲了定位的概率方法，是一个低维度感知问题，假设地图已知。但有些情况地图未知，或者不准确。因此建图可以让部署机器人更容易，也会让机器人更能适应环境变化。建图是真正的自动机器人的核心竞争力之一。建图难在：假设空间巨大:地图定义在连续空间上，因此无限高维度；即使离散化，维度也很高。因此贝叶斯滤波的方法不好使。建图是一个“鸡-蛋”问题:有地图定位很容易，有定位建图也不...

1. 简介SLAM问题的输入只有测量和控制，没有地图和位姿估计。有两种同等重要的SLAM问题：在线SLAM（online SLAM）:同时估计地图和即时位姿这两个后验，即p(xt,m∣z1:t,u1:t)p(x_t,m|z_{1:t},u_{1:t})p(xt​,m∣z1:t​,u1:t​)。称为在线SLAM的原因是，只估计时间ttt存留的变量。很多在线SLAM算法是递增的，即只处理...