菠萝包包包:机器人学中的状态估计(State Estimation for Robotics)笔记(一)34 赞同 · 4 评论文章 在前一篇中,我们尽量避开了概率的话题,单纯地从一些朴素的想法出发寻找解决办法。我们仅在引起测量误差的测量噪声部分,提及一丢丢有关高斯分布的内容。但若要继续深入,我们还是不可避免的需要了解更多内容,比如概率论...
此例中,样本空间中的样本与数值集合中的值是一一对应的,即映射为双射。 X(\omega_{1}) = 1 \\ X(\omega_{2}) = 0\\ 但另一些例子则不然,比如我们为一群人为样本: \begin{cases} \cdots \\ \omega_{i}:\space\text{Li Lei} \\ \cdots \\ \omega_{j}:\space\text{Han Meimei} \\ ...
Timothy Barfoot 教授的《机器人学中的状态估计》一书,前后花费了两年时间写成。初稿甫成,就将草稿公开于互联网,供世界各地读者阅读、纠错。当时,我们就觉得这本书理论之深刻、叙述之严谨、应用之广泛,实在是一本机器人方向不可多得的好书。倘若中国读者,或为语言之碍,或为地域所隔,无法了解此书的奥秘,实乃遗憾之...
那么什么是状态估计,状态估计就是理解传感器的本质。比如下图1就是典型的状态估计问题: 图1 但是,传感器的精度是有限的,如何利用传感器信息,尽可能准确的估计一组完整描述机器人随时间运动的物理量,如位置,速度,角度和角速度等,是状态估计领域要解决的最主要问题。因此,稳定,准确的状态估计是机器人稳定控制的必要...
但是,传感器的精度是有限的,如何利用传感器信息,尽可能准确地估计一组完整描述机器人随时间运动的物理量,如位置、速度、加速度、角度、角速度等,是状态估计领域要解决的最主要问题。因此,稳定、准确的状态估计是机器人稳定控制的必要基础。 尽管《机器人学中的状态估计》这本书能帮助我们系统学习状态估计的理论知识,但...
归根结底,在实际应用中,算法更多的是状态估计,为了通过传感器中的数据更精准地描述移动机器人的状态,不理解这些算法在学习/工作中势必会陷入僵局。 了解到大家学习中遇到的困难,深蓝学院联合高翔博士推出『机器人学中的状态估计』在线课程。 本课程对状态估计中的...
在探讨机器人学中的状态估计时，深入理解旋转与姿态表示是关键。旋转量的集合并非向量空间，而是形成非交换群，其中包含特殊正交群SO(3)和特殊欧几里得群SE(3)。特殊正交群SO(3)表示有效的旋转矩阵，其集合受正交约束影响，将9个参数的旋转矩阵降至3个自由度。特殊欧几里得群SE(3)则表示包含平移和旋转...
现在在高翔、颜沁睿、刘富强等十多位SLAM专家、爱好者的共同努力下,中文译本《机器人学中的状态估计》也终于得以面世。这对于国内广大SLAM爱好者来说,可谓一大福音,值得隆重推荐。——浙江大学教授,CAD & CG国家重点实验室计算机视觉团队带头人,章国锋State Estimation for Robotics是加拿大多伦多大学Barfoot教授的名著,...
UKF Localization算法提供了更精确地考虑估计过程中噪声影响的方法，通过扩展状态来考虑控制和测量噪声，从而提高了定位精度。在《机器人学中的状态估计》中，UT变换与UKF的讨论则进一步强调了UT变换作为蒙特卡洛方法和线性化方法折中点的特性，以及它在输出概率密度近似方面的优势。整体而言，无迹变换和无迹...