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