本文介绍了概率机器人中的贝叶斯滤波原理，包括控制更新和测量更新两个阶段，阐述了其局限性和马尔可夫假设。通过一个移动机器人门状态估计的例子，展示了贝叶斯滤波的实际应用，并给出了初始置信度、测量概率和状态转移概率的设定。
上篇在介绍机器人环境交互中：https://blog.csdn.net/jcsm__/article/details/106516512，提到了机器人通过内部的置信度来确定当前的状态，本篇及后续将介绍求取置信度的几种方法。
1、贝叶斯滤波原理
贝叶斯滤波通过控制和测量数据计算置信度分布bel()。是一种递归算法，通过t-1时刻的置信度计算t时刻的置信度。每一次的迭代更新包括两方面：控制更新和测量更新。
- 控制更新（预测）：
控制更新或者称之为预测，是利用当前时刻的控制信息和前一时刻状态的置信度，计算当前时刻状态的置信度。
推倒过程如下：
最低0.47元/天 解锁文章
2937
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
