2.递归状态估计--概率机器人
概率机器人的技术核心是由传感器数据来估计状态。 状态估计是用来解决“某些变量（状态值）不能直接观测，但是可以从传感器的数据中估计” 这个问题。 概率的基本概念 1.随机变量：XXX 变量取值为xxx的概率： p(X=x)p(X=x) p(X=x) 有时简写为p(x)p(x)p(x) 2.PDF(Probability Density Function)：概率密度函数 正态分布： $$\mathcal{N}(x;\mu, \sigma^2)$$ 一维： p(x)=1σ2πe−(x−μ)22σ2p(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} p(x)=σ2π1e−2σ2(x−μ)2 多维： p(x)=1(2π)k∣Σ∣exp(−12(x−μ)⊤Σ−1(x−μ))p(x) = \frac{1}{\sqrt{(2\pi)^k |\boldsymbol{\Sigma}|}} \exp\left( -\frac{1}{2} (\mathbf{x} -...
1.绪论--概率机器人
测试一下多个tag、以及部分markdown语法网站展示效果。 开篇的一些话 2025年4月13日，在我的本科毕设理论框架基本完成之际，开始了新知识的学习–《概率机器人》。 这部分的学习还是想要补充机器人的全景知识图，能够了解基本的数学原理，对定位、建图、规划控制的全链路有基本的数学认知！ 如果可能，尽量实现其中的一些算法，或实际项目。 加油！！ 概率机器人的方法局限性 计算的复杂性 近似的必要性 书本结构 2-4 章，算法基础、基本数学体系 5、6 章 移动机器人的概率模型–传统机器人模型的概率泛化 7、8章 移动机器人的定位问题 9-13 章 机器人的地图构建问题 14-17 概率规划和控制问题 “……的数学推导” 频繁出现的部分，可在第一次阅读室适当跳过，后期补充，以便知识的连贯理解。
first_test
文章测试 本页面是第一篇文章上传，中间随意记录了一些乱七八糟的东西 使用命令： 1hexo new post 文章名 编辑草稿文件 1hexo new draft 文章名 查看草稿 1hexo s --draft 发布草稿 1hexo publish 草稿名称 生成页面 1hexo new page 页面名称 ！生成的页面可以在config.yml 中配置 公式测试 测试效果： λn\lambda^{n} λn 其实就是使用butter fly中的katex的配置 butterfly 官网 图片显示问题（已解决！） 探索解决中…… 样式配置 后面慢慢配置吧，其实有了可以记录东西的基本功能才是最重要的！ 目前的记录计划 《机器人学导论》 《概率机器人》 《强化学习》
Hello World
Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub. Quick Start Create a new post 1$ hexo new "My New Post" More info: Writing Run server 1$ hexo server More info: Server Generate static files 1$ hexo generate More info: Generating Deploy to remote sites 1$ hexo deploy More info: Deployment
