概率机器人<1>_概述

Abbr:

 TBD

牢记

重点

bel ==belif 置信度

FLOPS==Floating-point Operations Per Second 每秒浮点运算次数
 

---

Structure Overview:

2006 MIT英文版 & 机械工业2017 中文版

 

 

---

核心：

本书专注于算法。本书中的所有算法都是基于一个单一的总体数学基础：贝叶斯理论及其推论－贝叶斯滤波器~ 这种统一的数学体系是概率算法的核心。 

就是条件概率。（已知历史的状态，推断当前时刻的测量状态出现的概率。）--已知原因（模型）求结果。 先验估计

广泛应用“”条件独立“”的概念

 

---

概述

1. introduction 

•  执行机构有不确定性，延时，噪声，磨损等
• 传感器有不确定性，误差，温漂，噪声 等等
• 算法的数学模型（方程）有不确定性，real time 的模型都是近似模型，为了实时性，牺牲了精度。（比如泰勒级数近似...）

正确的处理不确定性，可以使系统更健壮，更稳定。更安全

2. 概率的概念引人传感器测量和模型设计， 的好处：

通过将模型和传感器测量两者相整合。 比传统的非概率模型方法比， 对于模型建模精度降低，对于传感器的精度要求降低，系统的唯一输入就是传感器的"瞬时输入" 。机器学习的过程就是一个长期的估计问题。

缺点：计算的复杂性，---考虑整个概率密度，而不是单一的推测。 和近似的必要性（need to approximate）---需要做贝叶斯估计（后验估计），准确的后验估计计算复杂。

3. 发展历程：

现代概率机器人学从 20 世纪 90 年代中期巳经出现，尽管其根源要追溯到卡尔曼滤波器的发明 (Kalman, 1960)

4. 学习顺序:

C2, C7,C8 , C3~C6