机器人学中的状态估计 中文版_《机器人学中的状态估计》-05偏差，匹配和外点...

由于实际不如理论那么理想

实际噪声并不是零均值高斯噪声

实际当中可能存在错误观测

观测数据还存在匹配问题（数据关联）

处理输入和测量的偏差

偏差对卡尔曼滤波器的影响

为了有效抑制偏差，我们必须知道偏差的精确值。但在大多数情况下，并不能得到偏差的精确值。因此，我们一边估计状态，一边估计偏差。

未知的输入偏差

增广状态构建的滤波器会不会收敛到正确的结果？

解存在唯一解的条件为：增广后的能观性矩阵满秩

未知的测量偏差

解存在唯一解的条件为：增广后的能观性矩阵满秩

例5.3是一个典型的SLAM问题，不能观；对于批量式LG估计和KF估计：

批量式LG估计存在无穷多组解；

KF估计初始时刻引入的偏置将一直存在于系统中；

对上两种情况，都有一些解决方案；

数据关联

数据关联问题就是找出每一个测量信息对应于模型中的哪一部分。

外部数据关联

内部数据关联

处理外点

将非常不可能的测量值（根据测量模型）称为外点(outlier)。

RANSAC

M估计

主要是通过减小外点在优化函数中的权重；

迭代重加权最小二乘法(IRLS)

协方差估计

同时估计状态和协方差，有时称为自适应估计；

自适应估计可以转化为使用IRLS方法的M估计问题；