关于机器人状态估计(0.3)-科学简介

这篇就是纯科普了，现代的大佬们太多了，以后要是有时间大家可以去看论文哈：

书的话高翔博士的"视觉SLAM十四讲"与Barfoot教授(高翔,谢晓佳等译)的"机器人学中的状态估计"是非常好的书籍，"概率机器人"太难了，建议硕士以下的同学不要先看这个。

未来国内从事状态估计与机器人行业的同学们尤其应感谢高翔博士，是他主动将这个学科全面地引导至我国并将其拆解，将阳春白雪变为了下里巴人，使大家能够更好地掌握。国内优秀的实验室如港科/哈工大/浙大相关实验室在技术落地和深化中做了大量杰出的贡献，没有科学家与实验室的努力，工程师们的工程是无以为继的，这是开篇一定要强调的事情。

整个机器人状态估计中会涉及的最关键人物与理论如下：

1.高斯(Johann Carl Friedrich Gauß、Gauss)

德国数学家，数学王子，没有他也就没我们现在聊的这些事情了。

我个人心目中最伟大的数学家，没有之一。高斯的贡献在数理化世界中无处不在。

高斯在整个机器人状态估计中最主要的贡献是高斯分布与高斯过程，这2个贯穿了整个机器人状态估计。其他详细部分在系列文章中的1里。

2.卡尔曼(Rudolf Emil Kalman)

美国数学家，能观性/可观性的提出者，涉及的卡尔曼滤波是机器人状态估计经典的形式以及后续双支路的源头。

3.贝叶斯(Bayes)

英国数学家，贝叶斯法则源头。

贝叶斯法则又是卡尔曼滤波的来源与基础之一，具体可参考系列第2篇。

其中较重要的是贝叶斯推断，最大后验估计以及延展出的贝叶斯滤波

4.香农(Claude Elwood Shannon)

美国数学家，信息熵的提出者，机器人状态估计中不确定度传递定量分析的来源

实际机器人状态估计就是不断通过各种传感器耦合优化来收敛整个机器人状态估计不确定度的过程。香农信息与互信息有确定关系。

5.线性代数

从费马到笛卡尔，经过几代数学家的努力，线性代数是他们最杰出的结晶之一

这里提一下，线性代数的本质就是近乎无上限的求解多元多次方程组，随着我们算力与开销的扩展与廉价化，线性代数的重要性变得越来越高。在这里提一嘴，线性代数的除法即求逆，也是系统中可能涉及开销最高的部分，因此近现代科学家们发明了大量的方法对矩阵进行分解或求伪逆，如机器人状态估计中常用的舒尔补，cholesky分解，QR分解，LDU/UDL与SMW恒等式等。

在这里我要感谢我大学期间严格的导师，我线代是重修过2次的，但正因为导师的严厉，在后续的学习和工作中，线代变成了我最扎实的技能之一。这里为同学们的学习推荐MIT35讲视频

6.李群与李代数(Lie group and Lie algebra)

自动化与控制，旋转与平移应用的基础学科，代数学的重要分支学科

来源于数学家李Lie,M.S.及其学生恩格尔Engel,F与20世纪初的Cartan

7.现代科学与工程贡献

李泽湘老师：我国机器人学落地的开拓者，李群李代数大量落地的引路人，自动化与控制学科现代巨头之一。

(1)ORB: 一种非常优秀的前端特征点提取方法，广泛应用于前端特征提取，图像全景融合/拼接(这块是我专业之一，以后写)，并可很方便地应用于位置姿态估计中的前端，相对SIFT和SURF这类有专利壁垒的方法，ORB是被广泛使用的。感谢Rublee及其小组，ORB的缺点是开销相对高一些，这种方法可靠性极高，在纯视觉VSLAM中有很高的效率，配合双目立体视觉被硬化的算子，未来还是很有前途的方向。

(2)光流法与直接法：Lucas Kanade与另外2种被广泛使用的前端特征点提取方法，虽然准确性欠佳，但因为高效，在多传感器联合状态估计中有很大的价值。视觉直接法我没有找到发明者的源头，同学们以后如果找到了麻烦告诉我一声。

(3)词袋回环：Dorian Galvez-López与Juan D. Tardos，中文全网都很少提到的2位作者，但实际词袋回环在目前机器人状态估计是起到了极大作用的。

(4)FEJ: Tue-Cuong DongSi, 等一线性化点雅克比的提出者，多传感器融合融态基础之一

(5)预积分：Lapton 多传感器融合融态基础之一，后续被结合李群李代数后成为了学科基础

2016年后，因为我国具备着最多的落地场景，机器人学科状态估计的部分研究核心慢慢转向了中国，其中群星荟萃，如黄国权教授，沈劭劼教授，章国峰教授，高翔/秦通/ Zuo xiao xing博士等，就不一一列举了，希望未来科学家与工程师们一起，持续推动学科发展与工程进步！