1.绪论--概率机器人

发表于2025-04-13|更新于2025-04-13

|浏览量:

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。

文章作者: Liu Junqi

文章链接: https://junqi1121-github-io.vercel.app/2025/04/13/1-%E7%BB%AA%E8%AE%BA-%E6%A6%82%E7%8E%87%E6%9C%BA%E5%99%A8%E4%BA%BA/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Junqi's Home！

《概率机器人》Probabilistic_robtics

相关推荐

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} -...