学完了高博的《SLAM十四讲》,基本了解了SLAM的框架结构,然后看了一些ORB-SLAM的代码,跑了几个模型,看了几篇论文,感觉还是有很多关于状态估计的问题不是很清楚,然后在知乎看到了关于slam推荐书籍,有一本状态估计和概率机器人,但是状态估计目前只有英文版,发现概率机器人有中文版,所以就买了一本概率机器人。虽然翻译质量可能不是太好,但是还是能读,有些地方还是要看英文才行!感谢翻译概率机器人的作者,节省了时间!最近一口气把整个概率机器人的第一部分看完了,自己做了一点笔记,还是贴出来吧!做笔记只是为了加深自己理解,可能有些地方理解不到位,欢迎各位批评指正!
整本书分为4部分,分别是基础知识、定位、地图构建和规划与控制。基础知识一共6章。第一章绪论就不说了,其余五章分别是递归状态估计(贝叶斯滤波)、高斯滤波、非参数滤波、机器人运动(状态方程)、机器人感知(观测方程)。接下来我会把这六章的笔记都贴出来,加深自己理解!
接下来就开始贴第二章的笔记吧!
本章主要介绍的是机器人中贝叶斯滤波算法的基本思想。本章为机器人及其环境的交互建立了一个耦合的动态系统模型,也就是建立了两个方程,观测方程和控制方程。机器人通过控制方程来影响环境,观测方程仅仅观测环境变化,而不会对其产生影响。
在概率机器人中,机器人和环境通过上述两个方程联系在一起,这两个方程也可以看做是两个分布,即状态转移分布和观测分布。状态转移分布描述了状态如何随时间的变化而变化的特征(控制方程)。观测分布则是描述测量状态的特征(由控制方程引起的状态改变)。因为这两个都
概率机器人 第二章 递归状态估计(贝叶斯滤波)
最新推荐文章于 2024-08-17 13:43:38 发布
本文介绍了概率机器人中的贝叶斯滤波算法,阐述了其基本思想,包括动态系统模型的建立、观测方程与控制方程、机器人置信度的定义以及递归计算过程。贝叶斯滤波通过马尔科夫假设和条件概率分布进行预测与测量更新,是概率机器人定位与状态估计的核心算法。
摘要由CSDN通过智能技术生成