机器人状态估计（State Estimation for Robotics）笔记 Chapter1: 简介

Chapter 1: 简介

本书将首先介绍一些经典的估计方法，可用于线性高斯系统；
然后将介绍一些像非线性系统与非高斯噪声的扩展方法；
还会开个小差，介绍如何讲状态估计结果用于在三维世界中操控机器人，提倡一种处理
旋转的方式：李群。

1. 历史

四千年前，航海者需要进行状态估计。
到十五世纪，发明了海事罗盘和航海图，可以在海上进行状态估计。
后来发明了一系列其他的测量红菊，如使用天体导航测量纬度；
而测量经度则是依靠便携钟表的发明。

天文学中也有状态估计。
高斯发明了最小二乘，用以在预测轨道时最小化测量误差的影响；
其后，他证明了在误差高斯分布下，最小二乘最优。

在二十世纪中叶，估计问题开始发展，这与计算机的发明相关。
1960年卡尔曼发表了两篇里程碑论文，定义了很多之后状态估计领域的内容：
他首先定义了可观测性，即动态系统中的一个状态是否可以通过测量数据中来推测；
他又定义了噪声存在下，估计系统状态的最佳框架，即卡尔曼滤波器，流行了五十年。
NASA最先使用KF来帮助航天器进行状态估计。

十五年前（两千年左右），状态估计这个研究领域开始衰落，
但随着新的传感器技术，这个领域开始迎接新的挑战。

2. 传感器，测量，和问题定义

传感器精度有限，因而测量数据有不确定性。
估计状态时，需要记录不确定性，从而知道我们对估计结果的自信程度。
状态估计是为了用不完美的传感器获得最好的估计。
但同时我们也力求提高传感器。
传感器分两类：内感受的（interoceptive）和外感受的（exteroceptive）。
前者包括加速度计、陀螺仪、轮子里程计（测量角速度）；
后者包括相机、TOF发射接收器（如激光测距仪、GPS）。
一般来讲，前者测量速度、加速度，后者测量位置和姿态。
最好的状态估计同时使用这两种传感器，如GPS加IMU，