Ⅱ数学基础

最新推荐文章于 2024-08-14 22:29:49 发布

Patata521

最新推荐文章于 2024-08-14 22:29:49 发布

阅读量497

点赞数 16

分类专栏：自主导航与定位文章标签：人工智能自动驾驶

本文链接：https://blog.csdn.net/weixin_61791576/article/details/139578742

版权

自主导航与定位专栏收录该内容

4 篇文章 0 订阅

订阅专栏

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
- 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
- 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
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
- 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）
- 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
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
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
- 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
- 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
- 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
  - 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
  - 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。
  - 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°）
  - 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
- 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。