滤波和slam的关系
滤波在slam已过时,无法处理动态场景
slam更专注于非线性优化(图优化)+激光slam
递推是根据上一时刻估计下一时刻
滤波怎么处理:设
R
1
R_{1}
R1,…,
R
K
R_{K}
RK为传感器方差,则需要把
R
4
R_{4}
R4调大
f
Q
f_{Q}
fQ,
f
R
f_{R}
fR都是事先设定的,没有人可以预测到动态物体什么时候会出现,不知道什么时候会把不好的数据去除
粒子滤波:静态环境,动态可预测环境
贝叶斯滤波:
预测:
f
X
k
−
(
x
)
=
∫
−
∞
+
∞
f
Q
k
[
x
−
f
(
v
)
]
f
X
k
−
1
+
(
v
)
d
v
f_{X_{k}}^{-}(x)=\int_{-\infty}^{+\infty} f_{Q_{k}}[x-f(v)] f_{X_{k-1}}^{+}(v) \mathrm{d} v
fXk−(x)=∫−∞+∞fQk[x−f(v)]fXk−1+(v)dv
更新:
f
X
k
+
(
x
)
=
η
k
⋅
f
R
k
[
y
k
−
h
(
x
)
]
⋅
f
X
k
−
(
x
)
f_{X_{k}}^{+}(x)=\eta_{k} \cdot f_{R_{k}}\left[y_{k}-h(x)\right] \cdot f_{X_{k}}^{-}(x)
fXk+(x)=ηk⋅fRk[yk−h(x)]⋅fXk−(x)
η
k
=
{
∫
−
∞
+
∞
f
R
k
[
y
k
−
h
(
x
)
]
f
X
k
−
(
x
)
d
x
}
−
1
\eta_{k}=\left\{\int_{-\infty}^{+\infty} f_{R_{k}}\left[y_{k}-h(x)\right] f_{X_{k}}^{-}(x) \mathrm{d} x\right\}^{-1}
ηk={∫−∞+∞fRk[yk−h(x)]fXk−(x)dx}−1
估计:
x
k
+
^
=
∫
−
∞
+
∞
x
f
k
+
(
x
)
d
x
\widehat{x_{k}^{+}}=\int_{-\infty}^{+\infty} x f_{k}^{+}(x) d x
xk+
=∫−∞+∞xfk+(x)dx
缺点:无穷积分,一般无解析解
大数定律暗示了可以用一堆粒子来近似概率密度,这就是粒子滤波
https://zhuanlan.zhihu.com/p/268632039
https://zhuanlan.zhihu.com/p/268624245