本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源,一旦发现资源涉及侵权,将立即删除。希望所有用户一同监督并反馈问题,如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
如何估计机器人在空
间中移动时的状态(如位
置、方向)是机器人研究
中一个重要的问题。大多
数机器人、自动驾驶汽车
都需要导航信息。导航的
数据来自于相机、激光测
距仪等各种传感器,而它
们往往受噪声影响,这给
状态估计带来了挑战。本
书将介绍常用的传感器模
型,以及如何在现买世界
中利用传感器数据对旋转
或其他状态变量进行估计
。本书涵盖了经典的状态
估计方法(如卡尔曼滤波
)以及 为现代的方法(
如批量估计、贝叶斯滤波
、sigmapoint滤波和粒子
滤波、剔除外点的鲁棒估
计、连续时间的轨迹估计
和高斯过程回归)。这些
方法在诸如点云对齐、位
姿图松弛、光束平差法以
及同时定位与地图构建等
重要应用中得以验证。对
机器人领域的学生和相关
从业者来说,本书将是一
份宝贵的资料。
简介
译者序
序言
缩略语
符号对照表
第1章 引言
1.1 状态估计简史
1.2 传感器、测量和问题定义
1.3 本书组织结构
1.4 与其他教程的关系
部分 状态估计机理
第2章 概率论基础
2.1 概率密度函数
2.1.1 定义
2.1.2 贝叶斯公式及推断
2.1.3 矩
2.1.4 样本均值和样本方差
2.1.5 统计独立性与不相关性
2.1.6 归一化积
2.1.7 香农信息和互信息
2.1.8 克拉美罗下界和费歇尔信息量
2.2 高斯概率密度函数
2.2.1 定义
2.2.2 Isserlis定理
2.2.3 联合高斯概率密度函数分解与推断
2.2.4 统计独立性、不相关性
2.2.5 高斯分布随机变量的线性变换
2.2.6 高斯概率密度函数的归一化积
2.2.7 Sherman-MorrisonWoodbury等式
2.2.8 高斯分布随机变量的非线性变换
2.2.9 高斯分布的香农信息
2.2.10 联合高斯概率密度函数的互信息
2.2.11 高斯概率密度函数的克拉美罗下界
2.3 高斯过程
2.4 总结
2.5 习题
第3章 线性高斯系统的状态估计
3.1 离散时间的批量估计问题
3.1.1 问题定义
3.1.2 后验估计
3.1.3 贝叶斯推断
3.1.4 存在性、 性与能观性
3.1.5 MAP的协方差
3.2 离散时间的递归平滑算法
3.2.1 利用批量优化结论中的稀疏结构
3.2.2 Cholesky平滑算法
3.2.3 Rauch-Tung-Striebel平滑算法
3.3 离散时间的递归滤波算法
3.3.1 批量优化结论的分解
3.3.2 通过MAP推导卡尔曼滤波
3.3.3 通过贝叶斯推断推导卡尔曼滤波
……
第二部分 三维空间运动机理
第三部分 应用
附录
参考文献
索引