读《概率机器人》第4章
摘要: 上一章介绍的KF及其衍生物都在处理容易用参数描述的概率分布(主要是高斯),对于参数化的分布,上述方法能给出解析形式的估计;对于非线性的运动模型与测量模型,上述方法通过线性化等方式也能给出近似的解析估计。但现实中的分布显然还有很多是不容易用参数描述的,且大多数也不是线性模型,这时候想给解析解也比较困难
122
0
0
《概率机器人》课后习题 第4章
摘要: import numpy as np import matplotlib.pyplot as plt 第一题 第1问 HF状态预测 先回顾一下要用到的离散贝叶斯滤波算法。 $$ \begin{aligned} 1:\quad&\textbf{Algorithm Discrete_Bayes_filt
127
0
0
核密度估计
摘要: 核函数估计 参考这里 Kernel Density Estimation, KDE 这个东西的目的在于使用离散的样本估计概率密度函数。 公式推导: $$ \begin{aligned} &1:\quad f(x)=\lim\limits_{h\to0}\frac{F(x+h)-F(x-h)}{2h}
221
0
0
读《概率机器人》第3章
摘要: § 1 卡尔曼滤波KF 概述 自己总结:基础的卡尔曼滤波完成了这样的一件事:在一系列线性的前提条件下,在状态转移模型具有正态分布、测量模型具有正态分布的情况下,给出了一个满足正态分布的估计。 前提条件 满足以下条件,则卡尔曼滤波给出的后验状态估计满足正态分布: 下次状态是上状态的线性变换再加上一个满
73
0
0
《概率机器人》课后习题 第3章
摘要: import numpy as np import matplotlib.pyplot as plt from matplotlib.patches import Ellipse from matplotlib.patches import Circle 第一题 第1问 为了方便,把状态记为\(x\
234
2
0
多元高斯分布的协方差矩阵
摘要: 看《概率机器人》时总是遇到这个协方差矩阵,但对这家伙一直没有个直观认识,因此集中学一下,同时顺带捡起来一点点线代知识。 定义 设待讨论的随机变量Xi构成随机向量X=[X1,X2,,Xn]T,则协方差矩阵定义为一个n×n
3926
0
0
矩阵运算常用性质
摘要: 以下内容是把这里的结论整理了一下。 矩阵乘法 已知C=AB,则: CT=BTAT 已知C=AB,则: $$ \m
366
0
0
Ubuntu日常使用
摘要: 双系统是前阵子装的啦,有的东西可能记得不太清楚了。 其他人的:1 系统安装 系统版本选择 装Ubuntu的一大原因是要用ROS,而ROS还很挑Ubuntu版本。当前ROS已分出了ROS1和ROS2,虽然ROS1的最后一个版本只支持到2025年,但是考虑到很多即将用到的包还是在ROS1下写的,所以还是
151
0
0
读ROS官方教程
摘要: ROS Tutorial ROS Tutorial链接 基本概念 catkin:ROS用于编译源码的工具,可以理解为是一个魔改的CMake? 包Package:ROS代码的基本单元,一般会包含一些库、脚本、可知行文件等。 都有自己独立的文件夹,不能套娃。 至少有package.xml和CMakeLi
253
0
0
《概率机器人》课后习题 第2章
摘要: 这是Jupyter Notebook转换成的markdown。 部分内容参考了这里的答案。 import numpy as np from sympy import Matrix 第一题 假设传感器并不会在使用过程中损坏,只可能一开始就是坏的或者好的。令随机变量X,其值为1表示传感器是好的,为0
463
0
0
点击右上角即可分享
微信分享提示
深色
回顶
收起