本文是关于Udacity的人工智能机器人课程笔记，重点讲解了Localization（定位）的基本原理。通过先验概率、观测结果和移动后的观测结果来确定机器人位置。介绍了感应函数、非精确移动函数，并通过实例解释了贝叶斯法则在机器人定位中的应用。
分享我的Gatech OMSCS学位的网课笔记，开始上课都没时间刷题了。。
https://www.udacity.com/course/artificial-intelligence-for-robotics--cs373
这是第一课： Localization的
基本原理
这一章主要讲如何通过先验概率+观察结果+移动后的观察结果，给机器人定位。
从上到下四根线，所有的前提都是门的位置已知。
- 没有任何条件下的车的位置的均匀概率分布
- 已知车感应到在一扇门旁边，此时车的位置的概率分布。
- 已知车初始感应在一扇门旁边，并向右移动了距离x，此时车的位置的概率分布。（注意到峰会比第二条线要低，因为向右移动的距离x是自身的参数（而非环境感应），置信度相比2要低。
- 车再次进行感应，发现旁边还是一扇门，门的分布与3中的分布相叠加，得到第四根线，出现一个置信度很高的当前机器人的位置。
感应函数
p=[0.2, 0.2, 0.2, 0.2, 0.2]
world=['green', 'red', 'red', 'green', 'green']
measurements = ['red', 'green']
pHit = 0.6
pMiss = 0.2
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
