随笔分类 - 机器人
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
《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
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
《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\
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
《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,其值为1表示传感器是好的,为0
读《概率机器人》第1、2章
摘要:§1 引入 机器人不确定性的来源 环境 传感器 执行器 模型 计算误差 机器人范式 graph LR A(基于模型) B(条件-反应) C(混合范式) A-->C B-->C D(概率范式) A-.->|不确定的模型|D B-.->|不确定的感知|D §2 状态回环估计 1 概率论基础概念 随机变量