- 为什么说自主导航问题就是要处理大量的不确定性?(无人系统的任何状态都测量不准确)智能系统自主性处理的关键:uncertainty的表达和处理
- 环境的不确定性
- 自主导航的实质就是机器人与环境的交互以及对环境所作的相应,而环境是动态、无法预测和不确定的
- 机器人-环境交互
- 感知<==>控制
- 机器人-环境交互
- 自主导航的实质就是机器人与环境的交互以及对环境所作的相应,而环境是动态、无法预测和不确定的
- 传感器测量的不确定性
- 测量噪声
- 量化噪声
- fialsafe(失效)
- 执行器具有不确定性
- 控制噪声
- 控制本身的滞后性、非0净差
- 机械磨损
- 环境变化
- 控制噪声
- 时间不确定性
- 时间基准同步
- 信号时间延迟不确定
- 激光相当于rolling shutter,会产生运动畸变
- 数学模型具有不确定性
- 环境的不确定性
-
贝叶斯公式
-
各项含义
- x代表系统状态、y表示观测
- 后验条件概率
- P(x|y) = p(y|x)p(x)/p(y)
- 先验概率p(x):当前系统状态的概率分布
- 观测似然p(y|x)
- 归一化因子p(y):通常由全概率展开得来
- P(x|y) = p(y|x)p(x)/p(y)
-
全概率展开
-
例题
- ppt有两个状态变量的推导 p37(状态转移阵有错)
- ppt有两个状态变量的推导 p37(状态转移阵有错)
-
Bayes Filter推导
- 前提:xt为t时刻状态,zt为t时刻观测,ut为t-1到t时刻世家的控制作用
- 一阶马尔可夫过程
- 若t-1时刻的机器人状态xt-1已知,那么最新状态xt只与xt-1以及(t-1:t]时间内施加的控制作用ut有关。
- 马尔可夫观测独立性假设
- 系统当前的观测只与当前状态有关,而与历史观测无关
- 多观测数据合成后验概率推导
- 这个归一化因子η通常通过求解X关于Z的条件概率的完整划分后相加为1求解得出
- bayes filter推导
- 已知状态转移密度和观测似然密度
- 推导过程
- Step1:采用贝叶斯公式展开
- Step2:使用Markov性质(zt仅由xt决定,Markov的观测独立性)
- Step3:使用全概率公式对xt-1进行展开
- Step4:使用Markov性质(xt仅由xt-1与ut决定,一阶Markov性)
- Step5:使用Markov性质,xt-1与ut无关转为Bel(xt-1)
- Bayes Filter步骤(递推-->观测-->修正)
- 信度预测
- 信度更新
- 信度预测
-
-
高斯系统相关考点
-
两个x的高斯分布的积仍为gaussian
- 高斯分布的指数部分是关于x的二次方程,因为两个x的高斯分布积的指数部分仍为关于x的二次方程,所以还是高斯分布
- 推导(记住最后均值和方差)
-
线性高斯系统定义
- 系统的状态转移和观测模型都是线性的,并且系统中的噪声服从高斯分布。
- 通常由两部分组成
- 状态转移模型
- 观测模型
- 状态转移模型
-
-
Kalman Filter(线性高斯系统)
-
KF含义
- 利用线性随机差分方程估计x的离散状态
- 是一种多信息融合的数学手段
- 某种意义上等效于最小二乘
-
可解决问题
- kf 解决多源信息融合状态估计问题,是贝叶斯滤波在高斯线性系统中的具体实现形式。
-
KF五公式
- 观测噪声Q越大,对状态更新的贡献度越小,收敛越慢,收敛过程变平滑
- 卡尔曼增益由状态标准差和观测标准差共同决定
-
-
扩展卡尔曼滤波 EKF
-
线性化状态转移方程和观测方程的原因
- 为了转移方差
- 仅转移μ不需要进行线性化
-
线性化方式
- 注意状态转移方程和观测方程的展开点不同!
- 当有控制噪声时,还需求状态转移方程对控制uk的偏导
- 最后测量协方差矩阵为状态协方差和控制协方差的和
-
EKF五公式
- 与EF仅在协方差传递和观测传递矩阵有区别
-
EKF使用限制
- EKF使用过程需保证“小误差协方差”
- 尽在数学期望点处(展开点)附近准确,精度与展开点有直接关系
-
-
空间变换
- 定位与坐标变换间关系
- 定位问题在概率意义上为后验概率密度的推算,但其本质上还是一个坐标变换问题
- 作用是确定当前机器人坐标到全局坐标系的齐次坐标变换
- 地图描述在全局坐标系中
- 定位:建立地图坐标系、全局坐标系和机器人局部坐标系间关系
- 定位问题在概率意义上为后验概率密度的推算,但其本质上还是一个坐标变换问题
- 涉及三问题
- 定位问题
- 世界坐标与机器人局部坐标转换
- 建图问题
- 机器人坐标中观测的landmark转换到世界坐标系下
- 标定问题
- 内外参
- 定位问题
- 空间坐标变换
- 齐次变换矩阵及其逆矩阵
- 齐次变换矩阵
- 逆矩阵
- 齐次变换矩阵
- 旋转表述方法
- 旋转矩阵
- 特点:单位正交阵
- 不是对称阵!
- 优缺点
- 优点:
- 直观易懂
- 可直接做旋转的叠加运算
- 无歧义
- 缺点:
- 表达冗余,用9个元素表示3个自由度
- 求解困难,必须是正交矩阵,且行列式为1
- 优点:
- 特点:单位正交阵
- 齐次坐标
- 优缺点
- 优点:
- 可以统一表示旋转和平移
- 缺点:
- 增加了一个冗余参数
- 增加了计算和存储的开销
- 优点:
- 优缺点
- 旋转向量(轴角表示)
- 任意旋转都可以用一个旋转轴和一个旋转角来表示
- 优缺点
- 优点:
- 为最小表示。用三个量即可表示,且无约束。
- 经归一化的空间向量可用两个参数来表示。
- 表示直观易懂
- 缺点:
- 实际计算中,需要将角轴表示转换为旋转矩阵或四元数。
- 优点:
- 欧拉角
- 将旋转分解为一次在三个不同轴上的转动
- Z-Y-X,依次左乘
- R=RxRy Rz
- 优缺点
- 优点:
- 直观易懂
- 只需要3个参数
- 缺点:
- 易产生歧义
- 存在万向锁问题(pitch与roll不能为±90°)
- 优点:
- 四元数
- 优缺点
- 优点:
- 计算效率高
- 不存在万向锁问题
- 缺点:
- 几何难理解
- 优点:
- 优缺点
- 旋转矩阵
-
内积与外积的几何意义
- 内积
- 内积的结果表示b在a方向上的投影与|a|的成绩,反映了两个向量在方向上的相似度,结果越大越相似。
- 外积
- 如果以a和b构成一个平行四边形,那么两个向量外积的模长与该四边形的面积相等。
- 内积
- 定位与坐标变换间关系
Ⅱ数学基础
最新推荐文章于 2024-08-14 22:29:49 发布