第一章 緒論

機(jī)器人學(xué)是一門通過計(jì)算機(jī)控制設(shè)備來感知和操縱物理世界的科學(xué)，脫離開結(jié)構(gòu)化的工作環(huán)境，客觀世界中存在著大量的不確定性：

• 機(jī)器人環(huán)境的不可預(yù)測
• 傳感器感知信息的局限性
• 執(zhí)行機(jī)構(gòu)的不確定性
• 機(jī)器人軟件中抽象模型的誤差。

為了使機(jī)器人接納這些不確定性，《概率機(jī)器人》致力于將機(jī)器人感知與行為的不確定性用概率理論明確地表示出來，推測整個(gè)空間中概率分布信息，表示出每種可能的模糊性和置信度，形成相對魯棒的控制方式。

概率理論是有其局限性的，主要在計(jì)算的復(fù)雜性和近似的必要性上。

機(jī)器人技術(shù)的發(fā)展已經(jīng)經(jīng)歷了基于模型的范式和基于行為的范式，前者依賴于給定的環(huán)境和機(jī)器人的完整的精確的模型，后者則依賴于機(jī)器人與物理世界交互過程中的檢測的精確性，現(xiàn)代概率機(jī)器人學(xué)從20世紀(jì)90年代中期已經(jīng)出現(xiàn)，通過將模型和傳感器測量兩者相結(jié)合，設(shè)計(jì)出控制行為。

第二章 遞歸狀態(tài)估計(jì)

本章節(jié)介紹的貝葉斯濾波，是狀態(tài)估計(jì)的遞歸算法，是本書幾乎每一項(xiàng)技術(shù)的基礎(chǔ)。

概率

可以將普通的一維正態(tài)分布表示為：
p(x)=(2πσ2)?12exp?{?12(x?μ)2σ2}p(x)=(2{\pi}{\sigma}^2)^{-\frac{1}{2}}\exp\{-\frac{1}{2}\frac{(x-\mu)^2}{{\sigma}^2}\} p(x)=(2πσ2)?21?exp{?21?σ2(x?μ)2?}
拓展到多維可以寫為
p(x)=det(2πΣ)?12exp?{?12(x?μ)TΣ?1(x?μ)}p(x)=det(2{\pi}{\Sigma})^{-\frac{1}{2}}\exp\{-\frac{1}{2}(x-\mu)^T{\Sigma}^{-1}(x-\mu)\} p(x)=det(2πΣ)?21?exp{?21?(x?μ)TΣ?1(x?μ)}

其中 $\mu$ 為均值矢量，$\Sigma$ 為一個(gè)半正定對稱矩陣，稱為協(xié)方差矩陣。

全概率定理
$$\begin{gathered} p(x)=\sum _{y}p(x|y)p(y)(離散情況) \\ p(x)=\int p(x|y)p(y)dy(連續(xù)情況) \end{gathered}$$
進(jìn)而得到貝葉斯準(zhǔn)則
$$p(x|y)=\frac{p(y|x)p(x)}{p(y)}=...(離散/連續(xù)情況)$$

在這個(gè)公式中，$x$ 是希望由 $y$ 推測出來的數(shù)值，$p(x)$ 是先驗(yàn)概率分布（前一次概率計(jì)算結(jié)果），$y$ 為傳感器測量值，得出了 $X$ 的后驗(yàn)概率分布 $p(x|y)$ 。

狀態(tài)

環(huán)境特征以狀態(tài)表征，本書中認(rèn)為狀態(tài)是所有會(huì)對未來產(chǎn)生影響的機(jī)器人和其環(huán)境的所有方面因素，典型的狀態(tài)變量包括：

• 機(jī)器人位姿：
• 執(zhí)行機(jī)構(gòu)配置：
• 速度和角速度：
• 環(huán)境中周圍物體的位置和特征：

總結(jié)

以上是生活随笔為你收集整理的概率机器人阅读笔记的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。