- 博客(5)
- 资源 (2)
- 收藏
- 关注
原创 贝叶斯滤波(五)卡尔曼滤波算法推导
一、回顾贝叶斯滤波1. 贝叶斯滤波算法到卡尔曼滤波根据贝叶斯滤波(三)贝叶斯滤波算法推导我们把贝叶斯滤波推导的结论写出来: ,其中。我们把替代式中广义积分那一项,我们叫做的先验: 则, 一般我们求解其实也就是分两步求解:第一步便是求解,第二步就是求解。我们通常把第一步的求解成为预测步,第二步称为更新步,其实也很好理解,预测步也就是求解先验,更新步求解出来的结果也就是后验了。假设都服从高斯分布的话,那么这就是人...
2020-06-16 19:54:59 3364 1
原创 贝叶斯滤波(三)贝叶斯滤波算法推导
一、马尔可夫假设马尔可夫假设简单来说,就是当前状态仅取决于先前的状态和当前输入。比如某个人在停车场倒车停进车位里,那么这辆车下一秒的速度,仅仅取决于车当前的速度,和下一秒车的油门,跟这辆车昨天开去了哪座城市,去了哪个村庄是没有关系的。也就是说我现在的速度仅仅取决于我上一秒的速度和我现在踩下了多少油门有关系。根据马尔科夫假设,我们才能推导递归贝叶斯的更新公式。二、贝叶斯滤波算法的数学推导1. 全概率公式: ...
2020-06-16 13:32:33 3532
原创 贝叶斯滤波(二)贝叶斯准则的分母,η的归一化
在《概率机器人》第2章中,有这样一段话:那么为什么不依赖呢?作者在这里没有进行详细的说明,那么如何理解这段话呢?我们知道,该式表示的意思是在Y=条件下X的条件概率密度函数,先将二维连续随机变量的贝叶斯公式写出来: 其中, 实际上,表示的是Y=条件下的边缘概率密度函数,根据定义我们知道求Y=边缘概率密度只需要对x从负无穷到正无穷对x进行积分就可以求得,这里已经是把所有x的可能遍历一遍了,所以...
2020-05-27 16:54:02 2243
原创 概率机器人——多元正态分布的密度函数
首先,已知有一个满足一维正态分布的概率密度函数为:p(x) = exp{}在多元正态分布下,其数据为x =,对应的均值方差分别为 =,=,则其概率密度可由一下展开表示:p(x) = =exp{} *exp{} *exp{}...exp{} (整理一下,把,exp{}分别放在一起) =...*exp{}exp{}exp{}...exp{} =...*exp{} 令=,, ...
2020-05-26 13:26:58 6264 1
stm32虚拟串口VCP驱动
2019-06-12
RoboWare Studio中文版(2018).pdf
2019-03-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人