jcsm__的博客

＊＊为避免格式错误，直接上传截图。参考：台大林沛群《机器人学》 https://www.zhihu.com/question/23005815/answer/33971127 Krasjet《四元数与三维旋转》 部分图源自网络，侵删 ...

前一篇贝叶斯滤波中提到了贝叶斯滤波不是一种实用的方法，没有办法在计算机中进行表达。是因为贝叶斯是一种抽象的滤波器，其中的置信度表示都是抽象的，没有明确的表达式，没有办法计算积分。尽管如此，贝叶斯给我们提供了一种关于状态最优估计的方法，本篇及后续可能更新的方法皆是贝叶斯滤波的实现方式。1.高斯滤波在正式介绍卡尔曼之前，需要先对高斯滤波做一个说明。高斯滤波是一种递归状态估计器，为了解决贝叶斯滤波器中置信度没有明确表示方法的缺陷，高斯滤波给出了一种置信度用多元正态分布表示的思路，这也是为什么称之为高斯

上篇在介绍机器人环境交互中：https://blog.youkuaiyun.com/jcsm__/article/details/106516512，提到了机器人通过内部的置信度来确定当前的状态，本篇及后续将介绍求取置信度的几种方法。1、贝叶斯滤波原理贝叶斯滤波通过控制和测量数据计算置信度分布bel()。是一种递归算法，通过t-1时刻的置信度计算t时刻的置信度。每一次的迭代更新包括两方面：控制更新和测量更新。控制更新（预测）：控制更新或者称之为预测，是利用当前时刻的控制信息和前一时刻状态的置信度.

状态环境特征以状态表征，状态是所有会对未来产生影响的机器人及其环境的所有方面因素。概率生成法则状态转移概率，根据条件独立，可得到：它指出了环境状态作为机器人控制ut的函数是如何随着事件变化的。从得到的概率分布公式，可知机器人的环境是随机的。测量概率，根据条件独立，可得到：它指出测量数据zt由环境状态xt产生，将测量认为是状态的有噪声预测。隐马尔可夫模型（HMM）/动态贝叶斯网络（DBN）状态转移概率和测量概率一起描述机器人及其周围环境的动态随机系统。...

概率机器人机器人模型 + 传感器数据条件概率若事件X和Y相互独立，即x与y发生与否，彼此之间没有影响：若事件X和Y不是相互独立的，即x与y发生与否，彼此之间都有影响：这里就是贝叶斯公式了，也就是后验估计。下面说一种贝叶斯的理解：由于X和Y之间不是相互独立的，一个事件发生，另外一个事件肯定会收到影响。上式的分子中的p(x)表示x发生的概率，相当于此时x事件已经发生；如果是独立事件，就像上面提到的，直接再乘上y事件发生的概率p(y)就结束了，但是x和y之间相互影响，此时x..

*实验室组会上的一次分享，图源网络，侵删。

*一次实验室组会上的分享，不晓得怎么上传动图，就直接把PPT截图上传了~~*图片源于网络，侵删。...