概率机器人

本书特色

[

《概率机器人》对概率机器人学这一新兴领域进行了全面的介绍。概率机器人学依赖统计技术表示信息和进行决策，以容纳当今大多数机器人应用中必然存在的不确定性，是机器人学的一个分支。它依赖统计技术表示信息和制定决策。这样做，可以接纳在当今大多数机器人应用中引起的不确定性。本书主要专注于算法，对于每种算法，均提供了四项内容：①伪码示例；②完整的数学推导；③实验结果；④算法优缺点的详细讨论。
《概率机器人》包括了基础知识、定位、地图构建、规划与控制四大部分。本书共17章，每章的后都提供了练习题和动手实践的项目。相信本书可以加深读者对概率机器人学的认识。

]

内容简介

[

《概率机器人》是机器人领域的经典之作。作者Sebastian Thrun博士是谷歌自动驾驶汽车之父、X实验室创始人之一。三位作者综合自己深厚的数学理论及算法实践，打通数学理论模型，到实际应用平台路经，让人们顺利应用机器人算法，让机器人更“智能”。

]

目录

目 录译者序原书前言致谢第Ⅰ部分 基础知识第1章 绪论 11.1 机器人学中的不确定性 11.2 概率机器人学 21.3 启示 61.4 本书导航 71.5 概率机器人课程教学 71.6 文献综述 8第2章 递归状态估计 102.1 引言 102.2 概率的基本概念 102.3 机器人环境交互 142.3.1 状态 152.3.2 环境交互 162.3.3 概率生成法则 182.3.4 置信分布 192.4 贝叶斯滤波 202.4.1 贝叶斯滤波算法 202.4.2 实例 212.4.3 贝叶斯滤波的数学推导 232.4.4 马尔可夫假设 252.5 表示法和计算 252.6 小结 262.7 文献综述 262.8 习题 27第3章 高斯滤波 293.1 引言 293.2 卡尔曼滤波 303.2.1 线性高斯系统 303.2.2 卡尔曼滤波算法 313.2.3 例证 323.2.4 卡尔曼滤波的数学推导 333.3 扩展卡尔曼滤波 403.3.1 为什么要线性化 403.3.2 通过泰勒展开的线性化 423.3.3 扩展卡尔曼滤波算法 443.3.4 扩展卡尔曼滤波的数学推导 443.3.5 实际考虑 463.4 无迹卡尔曼滤波 493.4.1 通过无迹变换实现线性化 493.4.2 无迹卡尔曼滤波算法 503.5 信息滤波 543.5.1 正则参数 543.5.2 信息滤波算法 553.5.3 信息滤波的数学推导 563.5.4 扩展信息滤波算法 573.5.5 扩展信息滤波的数学推导 583.5.6 实际考虑 593.6 小结 603.7 文献综述 613.8 习题 62第4章 非参数滤波 644.1 直方图滤波 644.1.1 离散贝叶斯滤波算法 654.1.2 连续状态 654.1.3 直方图近似的数学推导 674.1.4 分解技术 694.2 静态二值贝叶斯滤波 704.3 粒子滤波 724.3.1基本算法 724.3.2 重要性采样 754.3.3 粒子滤波的数学推导 774.3.4 粒子滤波的实际考虑和特性 794.4 小结 854.5 文献综述 854.6 习题 86第5章 机器人运动 885.1 引言 885.2 预备工作 895.2.1 运动学构型 895.2.2 概率运动学 895.3 速度运动模型 905.3.1 闭式计算 915.3.2 采样算法 925.3.3 速度运动模型的数学推导 945.4 里程计运动模型 995.4.1 闭式计算 1005.4.2 采样算法 1025.4.3 里程计运动模型的数学推导 1045.5 运动和地图 1055.6 小结 1085.7 文献综述 1095.8 习题 110第6章 机器人感知 1126.1 引言 1126.2 地图 1146.3 测距仪的波束模型 1156.3.1 基本测量算法 1156.3.2 调节固有模型参数 1196.3.3 波束模型的数学推导 1216.3.4 实际考虑 1266.3.5 波束模型的局限 1276.4 测距仪的似然域 1276.4.1 基本算法 1276.4.2 扩展 1306.5 基于相关性的测量模型 1316.6 基于特征的测量模型 1336.6.1 特征提取 1336.6.2 地标的测量 1336.6.3 已知相关性的传感器模型 1346.6.4 采样位姿 1356.6.5 进一步的考虑 1376.7 实际考虑 1376.8 小结 1386.9 文献综述 1396.10 习题 139第Ⅱ部分 定 位第7章 移动机器人定位:马尔可夫与高斯 1427.1 定位问题的分类 1447.2 马尔可夫定位 1467.3 马尔可夫定位图例 1477.4 扩展卡尔曼滤波定位 1497.4.1 图例 1497.4.2 扩展卡尔曼滤波定位算法 1517.4.3 扩展卡尔曼滤波定位的数学推导 1517.4.4 物理实现 1577.5 估计一致性 1617.5.1 未知一致性的扩展卡尔曼滤波定位 1617.5.2 极大似然数据关联的数学推导 1627.6 多假设跟踪 1647.7 无迹卡尔曼滤波定位 1657.7.1 无迹卡尔曼滤波定位的数学推导 1657.7.2 图例 1687.8 实际考虑 1727.9 小结 1747.10 文献综述 1757.11 习题 176第8章 移动机器人定位:栅格与蒙特卡罗 1798.1 介绍 1798.2 栅格定位 1798.2.1 基本算法 1798.2.2 栅格分辨率 1808.2.3 计算开销 1848.2.4 图例 1848.3 蒙特卡罗定位 1898.3.1 图例 1898.3.2 蒙特卡罗定位算法 1918.3.3 物理实现 1918.3.4 蒙特卡罗定位特性 1948.3.5 随机粒子蒙特卡罗定位:失效恢复 1948.3.6 更改建议分布 1988.3.7 库尔贝克-莱布勒散度采样:调节样本集合大小 1998.4 动态环境下的定位 2038.5 实际考虑 2088.6 小结 2098.7 文献综述 2098.8习题 211第Ⅲ部分 地图构建第9章 占用栅格地图构建 2139.1 引言 2139.2 占用栅格地图构建算法 2169.2.1 多传感器信息融合 2229.3 反演测量模型的研究 2239.3.1 反演测量模型 2239.3.2 从正演模型采样 2249.3.3 误差函数 2259.3.4 实例与深度思考 2269.4 *大化后验占用地图构建 2279.4.1 维持依赖实例 2279.4.2 用正演模型进行占用栅格地图构建 2289.5 小结 2319.6 文献综述 2319.7 习题 232第10章 同时定位与地图构建 23510.1 引言 23510.2 基于扩展卡尔曼滤波的SLAM 23710.2.1 设定和假设 23710.2.2 已知一致性的SLAM问题 23810.2.3 EKF SLAM的数学推导 24110.3 未知一致性的EKF SLAM 24410.3.1 通用EKF SLAM算法 24410.3.2 举例 24710.3.3 特征选择和地图管理 25010.4 小结 25210.5 文献综述 25310.6 习题 256第11章 GraphSLAM算法 25811.1 引言 25811.2 直觉描述 26011.2.1 建立图形 26011.2.2 推论 26211.3 具体的GraphSLAM算法 26511.4 GraphSLAM算法的数学推导 27011.4.1 全SLAM后验 27111.4.2 负对数后验 27211.4.3 泰勒表达式 27211.4.4 构建信息形式 27311.4.5 浓缩信息表 27411.4.6 恢复机器人路径 27711.5 GraphSLAM算法的数据关联 27811.5.1 未知一致性的GraphSLAM算法 27911.5.2 一致性测试的数学推理 28111.6 效率评价 28311.7 实验应用 28411.8 其他的优化技术 28811.9 小结 29011.10 文献综述 29111.11 习题 293第12章 稀疏扩展信息滤波 29412.1 引言 29412.2 直观描述 29612.3 SEIF SLAM算法 29812.4 SEIF的数学推导 30112.4.1 运动更新 30112.4.2 测量更新 30412.5 稀疏化 30412.5.1 一般思想 30412.5.2 SEIF的稀疏化 30612.5.3 稀疏化的数学推导 30712.6 分期偿还的近似地图恢复 30812.7 SEIF有多稀疏 31012.8 增量数据关联 31312.8.1 计算增量数据关联概率 31312.8.2 实际考虑 31512.9 分支定界数据关联 31812.9.1 递归搜索 31812.9.2 计算任意的数据关联概率 32012.9.3 等价约束 32012.10 实际考虑 32212.11 多机器人SLAM 32512.11.1 整合地图 32612.11.2 地图整合的数学推导 32812.11.3 建立一致性 32912.11.4 示例 32912.12 小结 33212.13 文献综述 33312.14 习题 334第13章 FastSLAM算法 33613.1 基本算法 33713.2 因子分解SLAM后验 33813.2.1 因式分解的SLAM后验的数学推导 33913.3 具有已知数据关联的FastSLAM算法 34113.4 改进建议分布 34613.4.1 通过采样新位姿扩展路径后验 34613.4.2 更新可观察的特征估计 34813.4.3 计算重要性系数 34913.5 未知数据关联 35113.6 地图管理 35213.7 FastSLAM算法 35313.8 高效实现 35813.9 基于特征的地图的 FastSLAM 36013.9.1 经验思考 36013.9.2 闭环 36313.10 基于栅格的FastSLAM算法 36613.10.1 算法 36613.10.2 经验见解 36613.11 小结 36913.12 文献综述 37113.13 习题 372第Ⅳ部分 规划与控制第14章 马尔可夫决策过程 37414.1 目的 37414.2 行动选择的不确定性 37614.3 值迭代 38014.3.1 目标和报酬 38014.3.2 为完全能观测的情况寻找*优控制策略 38314.3.3 计算值函数 38414.4 机器人控制的应用 38714.5 小结 39014.6 文献综述 39114.7 习题 392第15章 部分能观测马尔可夫决策过程 39415.1 动机 39415.2 算例分析 39515.2.1 建立 39515.2.2 控制选择 39715.2.3 感知 39815.2.4 预测 40215.2.5 深度周期和修剪 40415.3 有限环境POMDP算法 40715.4 POMDP的数学推导 40915.4.1 置信空间的值迭代 40915.4.2 值函数表示法 41015.4.3 计算值函数 41015.5 实际考虑 41315.6 小结 41615.7 文献综述 41715.8 习题 419第16章 近似部分能观测马尔可夫决策过程技术 42116.1 动机 42116.2 QMDP 42216.3 AMDP 42316.3.1 增广的状态空间 42316.3.2 AMDP算法 42416.3.3 AMDP的数学推导 42616.3.4 移动机器人导航应用 42716.4 MC-POMDP 43016.4.1 使用粒子集 43016.4.2 MC-POMDP算法 43116.4.3 MC-POMDP的数学推导 43316.4.4 实际考虑 43416.5 小结 43516.6 文献综述 43616.7 习题 436第17章 探测 43817.1 介绍 43817.2 基本探测算法 43917.2.1 信息增益 43917.2.2 贪婪技术 44017.2.3 蒙特卡罗探测 44117.2.4 多步技术 44217.3 主动定位 44217.4 为获得占用栅格地图的探测 44717.4.1 计算信息增益 44717.4.2 传播增益 45017.4.3 推广到多机器人系统 45217.5 SLAM探测 45717.5.1 SLAM熵分解 45717.5.2 FastSLAM探测 45817.5.3 实验描述 46017.6 小结 46217.7 文献综述 46317.8 习题 466参考文献 468

封面

书名:概率机器人

作者:塞巴斯蒂安.特龙

页数:495

定价:¥99.0

出版社:机械工业出版社

出版日期:2017-04-01

ISBN:9787111504375

PDF电子书大小:114MB 高清扫描完整版