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 阅读全文
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。 $$ \begin{aligned} 1:\quad&\textbf{Algorithm Discrete_Bayes_filt 阅读全文
摘要：
核函数估计 参考这里 Kernel Density Estimation, KDE 这个东西的目的在于使用离散的样本估计概率密度函数。 公式推导： $$ \begin{aligned} &1:\quad f(x)=\lim\limits_{h\to0}\frac{F(x+h)-F(x-h)}{2h} 阅读全文
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 阅读全文
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\ 阅读全文
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$X_i$构成随机向量$\boldsymbol X = [X_1, X_2, \cdots, X_n]^T$，则协方差矩阵定义为一个$n\times n$矩 阅读全文
摘要：
以下内容是把这里的结论整理了一下。 矩阵乘法 已知$\mathbf{C}=\mathbf{A}\mathbf{B}$，则： $$ \mathbf{C}^T=\mathbf{B}^T\mathbf{A}^T $$ 已知$\mathbf{C}=\mathbf{A}\mathbf{B}$，则： $$ \m 阅读全文
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 阅读全文
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 阅读全文
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 阅读全文