滤波器后端
当我们蒙着眼走路时: 一开始我们知道自己在哪 能粗略估计每步的距离,但不确定。不确定性随时间累积,导致自身的位置不确定性越来越大
某个时刻睁开眼睛时:能够观测到周围,尽管也有不确定性,但比估计步长小很多,能够将不确定性保持在一定范围内
t = 0 … N 时间内,机器人的位姿为:,同时有路标
运动和观测方程记为:
注意:运动和观测都受噪声影响;可以没有运动方程(纯视觉SLAM) 我们从贝叶斯滤波器方法来推导卡尔曼滤波
用随机变量表示状态,估计其概率分布
k 时刻所有待估计的量组成k时刻状态:
k 时刻观测统一记成:
方程简化为:
根据过去0时刻到k时刻的数据,估计当前的状态:
Bayes展开:
先验部分按条件概率展开:
注意先验部分的组成:
分歧: 可以假设k时刻状态只和k-1时刻有关(假设了一阶马尔可夫性) 或假设k时刻状态与先前所有时刻均有关(不假设马尔可夫性)
假设一