概率机器人学习笔记
Eonekne
路漫漫其修远兮,吾将上下而求索
展开
-
概率机器人笔记(6):机器人感知模型
1.前言由于所有的传感器都是带有噪声的,将机器人感知模型也就是测量模型同样用条件概率分布p(zt∣xt,m)p(z_t|x_t,m)p(zt∣xt,m)进行表示已经成为约定俗成或者说水到渠成的事情了。其中xtx_txt代表了机器人的位姿,ztz_tzt代表传感器的测量值,mmm代表环境地图。2.波束模型(Beam Models)(1)四类测量误差测量噪声phitp_{hit}phi...原创 2020-03-26 15:13:23 · 766 阅读 · 0 评论 -
概率机器人笔记(5):机器人运动模型
前言本节通过机器人运动模型(motion model)实现状态转移概率p(xt∣ut,xt−1)p(x_t|u_t,x_{t-1})p(xt∣ut,xt−1),即执行运动控制utu_tut后机器人状态的后验分布,其中,xt,xt−1x_t,x_{t-1}xt,xt−1代表机器人的位姿:[xyθ]\begin{bmatrix} x \\ y \\ \theta \\ \end{bmat...原创 2020-03-22 13:32:49 · 1155 阅读 · 3 评论 -
概率机器人笔记(4):粒子滤波的简单理解与推导
蒙特卡洛采样方法蒙特卡洛方法也叫统计模拟方法,是用随机数来进行计算机模拟的方法。在对某种随机分布进行分析时,往往需要对分布的数字特征(这里以均值为例说明)进行求解分析,当问题比较简单时,我们可以利用均值的定义以及性质进行求解。但是当问题变得复杂,比如随机变量的维数增多,我们很难按照以前的求解方式进行求解。蒙特卡洛方法通过对模型或过程的观察或抽样试验来计算这些参数或数字特征,最后给出所求解的近似值...原创 2020-03-19 10:24:21 · 985 阅读 · 0 评论 -
概率机器人笔记(3):卡尔曼滤波的理解与简单推导
1.假设卡尔曼滤波(Kalman Filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。上面是来自百度百科对卡尔曼滤波的定义,指明了卡尔曼滤波的两大主要功能:过滤噪声和参数估计。作为贝叶斯滤波的一个分支,卡尔曼滤波除了需要遵循马尔可夫假设之外,还要遵循以下三个假设:(1...原创 2020-03-11 17:37:32 · 1150 阅读 · 0 评论 -
概率机器人笔记(2):贝叶斯滤波(递归状态估计)
1.没有控制输入的状态估计公式推导:已知贝叶斯公式:P(x∣y)=P(y∣x)P(x)P(y)P(x|y)=\frac{P(y|x)P(x)}{P(y)}P(x∣y)=P(y)P(y∣x)P(x)添加了随机变量zzz这个条件之后的贝叶斯公式:P(x∣y,z)=P(y∣x,z)P(x∣z)P(y∣z)P(x|y,z)=\frac{P(y|x,z)P(x|z)}{P(y|z)}P(x∣y,...原创 2020-03-05 22:03:08 · 1297 阅读 · 0 评论 -
概率机器人笔记(1):概率论基础内容回顾
一、样本空间与随机事件1.随机试验相同条件下,试验可以重复进行试验结果不止一个,但是试验之前可以知道所有可能出现的结果试验前不能确定每次试验的结果是哪一个2.样本空间随机试验中所有可能的结果(样本点)组成的集合。3.随机事件随机试验的样本空间的子集,即样本点的集合。二、概率与独立1.概率非负性:对于任意随机事件A,P(A)≥0P(A)\geq0P(A)≥0规范性:对于...原创 2020-03-03 21:56:55 · 383 阅读 · 0 评论