无人车技术基础——课程1：Localization Overview

本课程讲授人工智能的基本方法，包括概率推论、规划和搜索、定位、跟踪和控制，所有内容都以机器人技术为重点。
本课程是佐治亚理工学院CS硕士学位课程的一部分，更新后的课程包括一项最终项目：追捕一个试图逃跑的失控机器人。
CS 373 
PROGRAMMING A ROBOTIC CAR 
Taught by Professor Sebastian Thrun

课程1：Localization Overview

1）简介
缘起：2005年政府资助的DARPA大赛。
Stanford车+GPS+laser。无人驾驶，穿越130英里的沙漠，最快者胜。能够navigate really steep mountainous roads，avoid collisions with rocks or falling down a cliff。用了7小时。
之后：Urban Challange
在交通中行驶（drive in traffic），模仿城市交通，要和其他交通车辆交互，还要遵循交通规则（stay on lanes with very high precision,适应交通状况）。于沙漠中的静态路面不同。
Google随后开启了self-driving car项目尝试。研发的无人驾驶车辆可以在各种场景下自动行驶：高速、多行人、黑夜、发夹弯等等。


2）Localization
robot或car是不是到他在那里的。在路上行驶的汽车如果想知道他的位置，传统的方法是利用GPS（全球定位系统）定位，车上的电子地图会告诉你车所在的位置，但是the problem is its really not very accuracy，有2-10米的误差，如果你只看着表盘显示的点来开车，那能把你导航到沟里去。所以要想无人驾驶，那就需要通过定位点来开车，那么就需要误差范围在2-10cm内。那么如何把精度控制在2-10cm内呢？这就是定位问题（Localization）！
Google的自动驾驶中，定位有着关键的角色，他record images of the road surface，然后利用我们之后讲的技术精确的找出自己在哪里。


3）Total probability
一开始，世界一片混沌、空虚缥缈，机器人在定位自身这件事情上，belief function（概率分布）：maximum confusion（均匀分布，最confused混淆的情况，robot认为在任何地方的概率是一样的）。接着，给robot一点信息，比如：让他“睁开眼看一下”，看到面前有一扇门。那么他就会认为，自己的位置很可能在这扇门附近。此时，belief function就发生了变化。这里称作posterior belief（后验信度），posterior是指这个概率分布是经过某些度量（measurement—“睁眼看一下”）后得到的。虽然这个概率分布不一定很准，但是他对robot的定位起到关键作用。robot向右一动一段距离，那么belief function就相应的向右平移一段距离，但是由于robot对这段距离的拿捏不一定很准确，所以新的分布会比之前的要平缓一些。向右移动belief的过程is technically called aconvolution卷积。假设此时再给robot一点信息，再让他“睁眼看一下”，又看到了一扇门。那么此时，它的belief函数就会是前两个函数的对应乘积（之后还要做标准化normalize的动作），而这个分布就能够很好的锁定robot的位置了。在这个belief变化的过程中，得到信息后更新的be