免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

譯者序 
原書前言 
致謝 
第Ⅰ部分 基礎(chǔ)知識(shí) 
第1章 緒論 1 
1.1 機(jī)器人學(xué)中的不確定性 1 
1.2 概率機(jī)器人學(xué) 2 
1.3 啟示 6 
1.4 本書導(dǎo)航 7 
1.5 概率機(jī)器人課程教學(xué) 7 
1.6 文獻(xiàn)綜述 8 
第2章 遞歸狀態(tài)估計(jì) 10 
2.1 引言 10 
2.2 概率的基本概念 10 
2.3 機(jī)器人環(huán)境交互 14 
2.3.1 狀態(tài) 15 
2.3.2 環(huán)境交互 16 
2.3.3 概率生成法則 18 
2.3.4 置信分布 19 
2.4 貝葉斯濾波 20 
2.4.1 貝葉斯濾波算法 20 
2.4.2 實(shí)例 21 
2.4.3 貝葉斯濾波的數(shù)學(xué)推導(dǎo) 23 
2.4.4 馬爾可夫假設(shè) 25 
2.5 表示法和計(jì)算 25 
2.6 小結(jié) 26 
2.7 文獻(xiàn)綜述 26 
2.8 習(xí)題 27 
第3章 高斯濾波 29 
3.1 引言 29 
3.2 卡爾曼濾波 30 
3.2.1 線性高斯系統(tǒng) 30 
3.2.2 卡爾曼濾波算法 31 
3.2.3 例證 32 
3.2.4 卡爾曼濾波的數(shù)學(xué)推導(dǎo) 33 
3.3 擴(kuò)展卡爾曼濾波 40 
3.3.1 為什么要線性化 40 
3.3.2 通過泰勒展開的線性化 42 
3.3.3 擴(kuò)展卡爾曼濾波算法 44 
3.3.4 擴(kuò)展卡爾曼濾波的數(shù)學(xué)推導(dǎo) 44 
3.3.5 實(shí)際考慮 46 
3.4 無跡卡爾曼濾波 49 
3.4.1 通過無跡變換實(shí)現(xiàn)線性化 49 
3.4.2 無跡卡爾曼濾波算法 50 
3.5 信息濾波 54 
3.5.1 正則參數(shù) 54 
3.5.2 信息濾波算法 55 
3.5.3 信息濾波的數(shù)學(xué)推導(dǎo) 56 
3.5.4 擴(kuò)展信息濾波算法 57 
3.5.5 擴(kuò)展信息濾波的數(shù)學(xué)推導(dǎo) 58 
3.5.6 實(shí)際考慮 59 
3.6 小結(jié) 60 
3.7 文獻(xiàn)綜述 61 
3.8 習(xí)題 62 
第4章 非參數(shù)濾波 64 
4.1 直方圖濾波 64 
4.1.1 離散貝葉斯濾波算法 65 
4.1.2 連續(xù)狀態(tài) 65 
4.1.3 直方圖近似的數(shù)學(xué)推導(dǎo) 67 
4.1.4 分解技術(shù) 69 
4.2 靜態(tài)二值貝葉斯濾波 70 
4.3 粒子濾波 72 
4.3.1基本算法 72 
4.3.2 重要性采樣 75 
4.3.3 粒子濾波的數(shù)學(xué)推導(dǎo) 77 
4.3.4 粒子濾波的實(shí)際考慮和特性 79 
4.4 小結(jié) 85 
4.5 文獻(xiàn)綜述 85 
4.6 習(xí)題 86 
第5章 機(jī)器人運(yùn)動(dòng) 88 
5.1 引言 88 
5.2 預(yù)備工作 89 
5.2.1 運(yùn)動(dòng)學(xué)構(gòu)型 89 
5.2.2 概率運(yùn)動(dòng)學(xué) 89 
5.3 速度運(yùn)動(dòng)模型 90 
5.3.1 閉式計(jì)算 91 
5.3.2 采樣算法 92 
5.3.3 速度運(yùn)動(dòng)模型的數(shù)學(xué)推導(dǎo) 94 
5.4 里程計(jì)運(yùn)動(dòng)模型 99 
5.4.1 閉式計(jì)算 100 
5.4.2 采樣算法 102 
5.4.3 里程計(jì)運(yùn)動(dòng)模型的數(shù)學(xué)推導(dǎo) 104 
5.5 運(yùn)動(dòng)和地圖 105 
5.6 小結(jié) 108 
5.7 文獻(xiàn)綜述 109 
5.8 習(xí)題 110 
第6章 機(jī)器人感知 112 
6.1 引言 112 
6.2 地圖 114 
6.3 測距儀的波束模型 115 
6.3.1 基本測量算法 115 
6.3.2 調(diào)節(jié)固有模型參數(shù) 119 
6.3.3 波束模型的數(shù)學(xué)推導(dǎo) 121 
6.3.4 實(shí)際考慮 126 
6.3.5 波束模型的局限 127 
6.4 測距儀的似然域 127 
6.4.1 基本算法 127 
6.4.2 擴(kuò)展 130 
6.5 基于相關(guān)性的測量模型 131 
6.6 基于特征的測量模型 133 
6.6.1 特征提取 133 
6.6.2 地標(biāo)的測量 133 
6.6.3 已知相關(guān)性的傳感器模型 134 
6.6.4 采樣位姿 135 
6.6.5 進(jìn)一步的考慮 137 
6.7 實(shí)際考慮 137 
6.8 小結(jié) 138 
6.9 文獻(xiàn)綜述 139 
6.10 習(xí)題 139 
第Ⅱ部分 定 位 
第7章 移動(dòng)機(jī)器人定位:馬爾可夫與高斯 142 
7.1 定位問題的分類 144 
7.2 馬爾可夫定位 146 
7.3 馬爾可夫定位圖例 147 
7.4 擴(kuò)展卡爾曼濾波定位 149 
7.4.1 圖例 149 
7.4.2 擴(kuò)展卡爾曼濾波定位算法 151 
7.4.3 擴(kuò)展卡爾曼濾波定位的數(shù)學(xué)推導(dǎo) 151 
7.4.4 物理實(shí)現(xiàn) 157 
7.5 估計(jì)一致性 161 
7.5.1 未知一致性的擴(kuò)展卡爾曼濾波定位 161 
7.5.2 極大似然數(shù)據(jù)關(guān)聯(lián)的數(shù)學(xué)推導(dǎo) 162 
7.6 多假設(shè)跟蹤 164 
7.7 無跡卡爾曼濾波定位 165 
7.7.1 無跡卡爾曼濾波定位的數(shù)學(xué)推導(dǎo) 165 
7.7.2 圖例 168 
7.8 實(shí)際考慮 172 
7.9 小結(jié) 174 
7.10 文獻(xiàn)綜述 175 
7.11 習(xí)題 176 
第8章 移動(dòng)機(jī)器人定位:柵格與蒙特卡羅 179 
8.1 介紹 179 
8.2 柵格定位 179 
8.2.1 基本算法 179 
8.2.2 柵格分辨率 180 
8.2.3 計(jì)算開銷 184 
8.2.4 圖例 184 
8.3 蒙特卡羅定位 189 
8.3.1 圖例 189 
8.3.2 蒙特卡羅定位算法 191 
8.3.3 物理實(shí)現(xiàn) 191 
8.3.4 蒙特卡羅定位特性 194 
8.3.5 隨機(jī)粒子蒙特卡羅定位:失效恢復(fù) 194 
8.3.6 更改建議分布 198 
8.3.7 庫爾貝克-萊布勒散度采樣:調(diào)節(jié)樣本集合大小 199 
8.4 動(dòng)態(tài)環(huán)境下的定位 203 
8.5 實(shí)際考慮 208 
8.6 小結(jié) 209 
8.7 文獻(xiàn)綜述 209 
8.8習(xí)題 211 
第Ⅲ部分 地圖構(gòu)建 
第9章 占用柵格地圖構(gòu)建 213 
9.1 引言 213 
9.2 占用柵格地圖構(gòu)建算法 216 
9.2.1 多傳感器信息融合 222 
9.3 反演測量模型的研究 223 
9.3.1 反演測量模型 223 
9.3.2 從正演模型采樣 224 
9.3.3 誤差函數(shù) 225 
9.3.4 實(shí)例與深度思考 226 
9.4 最大化后驗(yàn)占用地圖構(gòu)建 227 
9.4.1 維持依賴實(shí)例 227 
9.4.2 用正演模型進(jìn)行占用柵格地圖構(gòu)建 228 
9.5 小結(jié) 231 
9.6 文獻(xiàn)綜述 231 
9.7 習(xí)題 232 
第10章 同時(shí)定位與地圖構(gòu)建 235 
10.1 引言 235 
10.2 基于擴(kuò)展卡爾曼濾波的SLAM 237 
10.2.1 設(shè)定和假設(shè) 237 
10.2.2 已知一致性的SLAM問題 238 
10.2.3 EKF SLAM的數(shù)學(xué)推導(dǎo) 241 
10.3 未知一致性的EKF SLAM 244 
10.3.1 通用EKF SLAM算法 244 
10.3.2 舉例 247 
10.3.3 特征選擇和地圖管理 250 
10.4 小結(jié) 252 
10.5 文獻(xiàn)綜述 253 
10.6 習(xí)題 256 
第11章 GraphSLAM算法 258 
11.1 引言 258 
11.2 直覺描述 260 
11.2.1 建立圖形 260 
11.2.2 推論 262 
11.3 具體的GraphSLAM算法 265 
11.4 GraphSLAM算法的數(shù)學(xué)推導(dǎo) 270 
11.4.1 全SLAM后驗(yàn) 271 
11.4.2 負(fù)對數(shù)后驗(yàn) 272 
11.4.3 泰勒表達(dá)式 272 
11.4.4 構(gòu)建信息形式 273 
11.4.5 濃縮信息表 274 
11.4.6 恢復(fù)機(jī)器人路徑 277 
11.5 GraphSLAM算法的數(shù)據(jù)關(guān)聯(lián) 278 
11.5.1 未知一致性的GraphSLAM算法 279 
11.5.2 一致性測試的數(shù)學(xué)推理 281 
11.6 效率評價(jià) 283 
11.7 實(shí)驗(yàn)應(yīng)用 284 
11.8 其他的優(yōu)化技術(shù) 288 
11.9 小結(jié) 290 
11.10 文獻(xiàn)綜述 291 
11.11 習(xí)題 293 
第12章 稀疏擴(kuò)展信息濾波 294 
12.1 引言 294 
12.2 直觀描述 296 
12.3 SEIF SLAM算法 298 
12.4 SEIF的數(shù)學(xué)推導(dǎo) 301 
12.4.1 運(yùn)動(dòng)更新 301 
12.4.2 測量更新 304 
12.5 稀疏化 304 
12.5.1 一般思想 304 
12.5.2 SEIF的稀疏化 306 
12.5.3 稀疏化的數(shù)學(xué)推導(dǎo) 307 
12.6 分期償還的近似地圖恢復(fù) 308 
12.7 SEIF有多稀疏 310 
12.8 增量數(shù)據(jù)關(guān)聯(lián) 313 
12.8.1 計(jì)算增量數(shù)據(jù)關(guān)聯(lián)概率 313 
12.8.2 實(shí)際考慮 315 
12.9 分支定界數(shù)據(jù)關(guān)聯(lián) 318 
12.9.1 遞歸搜索 318 
12.9.2 計(jì)算任意的數(shù)據(jù)關(guān)聯(lián)概率 320 
12.9.3 等價(jià)約束 320 
12.10 實(shí)際考慮 322 
12.11 多機(jī)器人SLAM 325 
12.11.1 整合地圖 326 
12.11.2 地圖整合的數(shù)學(xué)推導(dǎo) 328 
12.11.3 建立一致性 329 
12.11.4 示例 329 
12.12 小結(jié) 332 
12.13 文獻(xiàn)綜述 333 
12.14 習(xí)題 334 
第13章 FastSLAM算法 336 
13.1 基本算法 337 
13.2 因子分解SLAM后驗(yàn) 338 
13.2.1 因式分解的SLAM后驗(yàn)的數(shù)學(xué)推導(dǎo) 339 
13.3 具有已知數(shù)據(jù)關(guān)聯(lián)的FastSLAM算法 341 
13.4 改進(jìn)建議分布 346 
13.4.1 通過采樣新位姿擴(kuò)展路徑后驗(yàn) 346 
13.4.2 更新可觀察的特征估計(jì) 348 
13.4.3 計(jì)算重要性系數(shù) 349 
13.5 未知數(shù)據(jù)關(guān)聯(lián) 351 
13.6 地圖管理 352 
13.7 FastSLAM算法 353 
13.8 高效實(shí)現(xiàn) 358 
13.9 基于特征的地圖的 FastSLAM 360 
13.9.1 經(jīng)驗(yàn)思考 360 
13.9.2 閉環(huán) 363 
13.10 基于柵格的FastSLAM算法 366 
13.10.1 算法 366 
13.10.2 經(jīng)驗(yàn)見解 366 
13.11 小結(jié) 369 
13.12 文獻(xiàn)綜述 371 
13.13 習(xí)題 372 
第Ⅳ部分 規(guī)劃與控制 
第14章 馬爾可夫決策過程 374 
14.1 目的 374 
14.2 行動(dòng)選擇的不確定性 376 
14.3 值迭代 380 
14.3.1 目標(biāo)和報(bào)酬 380 
14.3.2 為完全能觀測的情況尋找最優(yōu)控制策略 383 
14.3.3 計(jì)算值函數(shù) 384 
14.4 機(jī)器人控制的應(yīng)用 387 
14.5 小結(jié) 390 
14.6 文獻(xiàn)綜述 391 
14.7 習(xí)題 392 
第15章 部分能觀測馬爾可夫決策過程 394 
15.1 動(dòng)機(jī) 394 
15.2 算例分析 395 
15.2.1 建立 395 
15.2.2 控制選擇 397 
15.2.3 感知 398 
15.2.4 預(yù)測 402 
15.2.5 深度周期和修剪 404 
15.3 有限環(huán)境POMDP算法 407 
15.4 POMDP的數(shù)學(xué)推導(dǎo) 409 
15.4.1 置信空間的值迭代 409 
15.4.2 值函數(shù)表示法 410 
15.4.3 計(jì)算值函數(shù) 410 
15.5 實(shí)際考慮 413 
15.6 小結(jié) 416 
15.7 文獻(xiàn)綜述 417 
15.8 習(xí)題 419 
第16章 近似部分能觀測馬爾可夫決策過程技術(shù) 421 
16.1 動(dòng)機(jī) 421 
16.2 QMDP 422 
16.3 AMDP 423 
16.3.1 增廣的狀態(tài)空間 423 
16.3.2 AMDP算法 424 
16.3.3 AMDP的數(shù)學(xué)推導(dǎo) 426 
16.3.4 移動(dòng)機(jī)器人導(dǎo)航應(yīng)用 427 
16.4 MC-POMDP 430 
16.4.1 使用粒子集 430 
16.4.2 MC-POMDP算法 431 
16.4.3 MC-POMDP的數(shù)學(xué)推導(dǎo) 433 
16.4.4 實(shí)際考慮 434 
16.5 小結(jié) 435 
16.6 文獻(xiàn)綜述 436 
16.7 習(xí)題 436 
第17章 探測 438 
17.1 介紹 438 
17.2 基本探測算法 439 
17.2.1 信息增益 439 
17.2.2 貪婪技術(shù) 440 
17.2.3 蒙特卡羅探測 441 
17.2.4 多步技術(shù) 442 
17.3 主動(dòng)定位 442 
17.4 為獲得占用柵格地圖的探測 447 
17.4.1 計(jì)算信息增益 447 
17.4.2 傳播增益 450 
17.4.3 推廣到多機(jī)器人系統(tǒng) 452 
17.5 SLAM探測 457 
17.5.1 SLAM熵分解 457 
17.5.2 FastSLAM探測 458 
17.5.3 實(shí)驗(yàn)描述 460 
17.6 小結(jié) 462 
17.7 文獻(xiàn)綜述 463 
17.8 習(xí)題 466 
參考文獻(xiàn) 468