自主移动机器人- 预备知识.pptxVIP

第二讲预备知识;移动机器人框架;随机性;随机变量，数字化随机试验;随机变量，数字化随机试验;离散随机变量概率;连续随机变量概率;连续随机变量概率;连续随机变量概率;期望和方差;高斯分布;高斯分布;多变量概率分布;边际分布和条件分布;条件分布案例;三维世界;位移、旋转和位姿;位移、旋转和位姿;位移、旋转和位姿;位移、旋转和位姿;位移、旋转和位姿;位移、旋转和位姿;位移、旋转和位姿;位移、旋转和位姿;静态世界中的点;位姿其他问题;速度与角速度;刚体运动;刚体运动;刚体运动;状态空间系统方程;旋转的线性化;旋转的线性化;旋转的线性化;旋转的概率表达;机器人运动小结;随机系统;随机系统;马尔科夫过程建模;估计;最大后验估计;最大后验估计;最大后验估计;最大后验估计;?;转化MAP为对线性化点和真值点间偏差量的线性最小二乘;求解线性最小二乘得到偏差量

在线性化点上增加偏差量，获得对状态的估计

问题求解完毕？;线性化点如何获得？

随机，全0，离真值点较远时结果很差

其他取得初值的手段，比如先解控制量部分的方程

线性化点一次迭代后是否真的是真值？

不是，因为非线性方程线性化只是局部的近似

可以用更新后的点，作为新的初始化点，重新进行上述步骤，迭代;该方法称为高斯-牛顿最小二乘求解法

通过不断的用二次函数拟合线性化点附近的误差曲面，逐渐逼近解

但只能保证局部最优性，因此和第一个线性化点的高度相关;MAP小结;滤波;滤波;滤波;滤波;滤波：第一个观测;滤波：第一个观测;滤波：第一个观测;滤波：第一个观测;滤波：第一个运动;滤波：第一个运动;滤波：下一个观测;卡尔曼滤波;滤波小结;本章小结;End！