概率机器人

《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。

塞巴斯蒂安·特龙（Sebastian Thrun），博士，计算机科学家，曾任美国谷歌公司副总裁，是美国谷歌公司X实验室创始人，从事谷歌无人驾驶汽车和谷歌眼镜的研发。他把统计学引入机器人学，开拓了概率机器人学领域，从此概率技术成为机器人学的主流技术并在无数商业领域得到广泛应用。
沃尔弗拉姆·比加尔（Wolfram Burqard），博士，德国弗莱堡大学计算机科学系全职教授，自主智能系统实验室主任，入选欧洲协调委员会人工智能学会会士和美国人工智能学会会士，是戈特弗里德·威廉·莱布尼茨研究奖获得者，研究领域为人工智能和移动机器人。
迪特尔·福克斯（Dieter Fox），博士，美国华盛顿大学计算机科学与工程系教授，机器人学和状态估计实验室主任，入选IEEE会士和美国人工智能学会会士，曾任美国英特尔研究实验室主任，主要研究人工智能、机器人学和概率状态估计。

译者序
原书前言
致谢
第Ⅰ部分基础知识
第1章绪论1
1.1机器人学中的不确定性1
1.2概率机器人学2
1.3启示6
1.4本书导航7
1.5概率机器人课程教学7
1.6文献综述8
第2章递归状态估计10
2.1引言10
2.2概率的基本概念10
2.3机器人环境交互14
2.3.1状态15
2.3.2环境交互16
2.3.3概率生成法则18
2.3.4置信分布19
2.4贝叶斯滤波20
2.4.1贝叶斯滤波算法20
2.4.2实例21
2.4.3贝叶斯滤波的数学推导23
2.4.4马尔可夫假设25
2.5表示法和计算25
2.6小结26
2.7文献综述26
2.8习题27
第3章高斯滤波29
3.1引言29
3.2卡尔曼滤波30
3.2.1线性高斯系统30
3.2.2卡尔曼滤波算法31
3.2.3例证32
3.2.4卡尔曼滤波的数学推导33
3.3扩展卡尔曼滤波40
3.3.1为什么要线性化40
3.3.2通过泰勒展开的线性化42
3.3.3扩展卡尔曼滤波算法44
3.3.4扩展卡尔曼滤波的数学推导44
3.3.5实际考虑46
3.4无迹卡尔曼滤波49
3.4.1通过无迹变换实现线性化49
3.4.2无迹卡尔曼滤波算法50
3.5信息滤波54
3.5.1正则参数54
3.5.2信息滤波算法55
3.5.3信息滤波的数学推导56
3.5.4扩展信息滤波算法57
3.5.5扩展信息滤波的数学推导58
3.5.6实际考虑59
3.6小结60
3.7文献综述61
3.8习题62
第4章非参数滤波64
4.1直方图滤波64
4.1.1离散贝叶斯滤波算法65
4.1.2连续状态65
4.1.3直方图近似的数学推导67
4.1.4分解技术69
4.2静态二值贝叶斯滤波70
4.3粒子滤波72
4.3.1基本算法72
4.3.2重要性采样75
4.3.3粒子滤波的数学推导77
4.3.4粒子滤波的实际考虑和特性79
4.4小结85
4.5文献综述85
4.6习题86
第5章机器人运动88
5.1引言88
5.2预备工作89
5.2.1运动学构型89
5.2.2概率运动学89
5.3速度运动模型90
5.3.1闭式计算91
5.3.2采样算法92
5.3.3速度运动模型的数学推导94
5.4里程计运动模型99
5.4.1闭式计算100
5.4.2采样算法102
5.4.3里程计运动模型的数学推导104
5.5运动和地图105
5.6小结108
5.7文献综述109
5.8习题110
第6章机器人感知112
6.1引言112
6.2地图114
6.3测距仪的波束模型115
6.3.1基本测量算法115
6.3.2调节固有模型参数119
6.3.3波束模型的数学推导121
6.3.4实际考虑126
6.3.5波束模型的局限127
6.4测距仪的似然域127
6.4.1基本算法127
6.4.2扩展130
6.5基于相关性的测量模型131
6.6基于特征的测量模型133
6.6.1特征提取133
6.6.2地标的测量133
6.6.3已知相关性的传感器模型134
6.6.4采样位姿135
6.6.5进一步的考虑137
6.7实际考虑137
6.8小结138
6.9文献综述139
6.10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142
7.1定位问题的分类144
7.2马尔可夫定位146
7.3马尔可夫定位图例147
7.4扩展卡尔曼滤波定位149
7.4.1图例149
7.4.2扩展卡尔曼滤波定位算法151
7.4.3扩展卡尔曼滤波定位的数学推导151
7.4.4物理实现157
7.5估计一致性161
7.5.1未知一致性的扩展卡尔曼滤波定位161
7.5.2极大似然数据关联的数学推导162
7.6多假设跟踪164
7.7无迹卡尔曼滤波定位165
7.7.1无迹卡尔曼滤波定位的数学推导165
7.7.2图例168
7.8实际考虑172
7.9小结174
7.10文献综述175
7.11习题176
第8章移动机器人定位:栅格与蒙特卡罗179
8.1介绍179
8.2栅格定位179
8.2.1基本算法179
8.2.2栅格分辨率180
8.2.3计算开销184
8.2.4图例184
8.3蒙特卡罗定位189
8.3.1图例189
8.3.2蒙特卡罗定位算法191
8.3.3物理实现191
8.3.4蒙特卡罗定位特性194
8.3.5随机粒子蒙特卡罗定位:失效恢复194
8.3.6更改建议分布198
8.3.7库尔贝克-莱布勒散度采样:调节样本集合大小199
8.4动态环境下的定位203
8.5实际考虑208
8.6小结209
8.7文献综述209
8.8习题211
第Ⅲ部分地图构建
第9章占用栅格地图构建213
9.1引言213
9.2占用栅格地图构建算法216
9.2.1多传感器信息融合222
9.3反演测量模型的研究223
9.3.1反演测量模型223
9.3.2从正演模型采样224
9.3.3误差函数225
9.3.4实例与深度思考226
9.4优选化后验占用地图构建227
9.4.1维持依赖实例227
9.4.2用正演模型进行占用栅格地图构建228
9.5小结231
9.6文献综述231
9.7习题232
第10章同时定位与地图构建235
10.1引言235
10.2基于扩展卡尔曼滤波的SLAM237
10.2.1设定和假设237
10.2.2已知一致性的SLAM问题238
10.2.3EKFSLAM的数学推导241
10.3未知一致性的EKFSLAM244
10.3.1通用EKFSLAM算法244
10.3.2举例247
10.3.3特征选择和地图管理250
10.4小结252
10.5文献综述253
10.6习题256
第11章GraphSLAM算法258
11.1引言258
11.2直觉描述260
11.2.1建立图形260
11.2.2推论262
11.3具体的GraphSLAM算法265
11.4GraphSLAM算法的数学推导270
11.4.1全SLAM后验271
11.4.2负对数后验272
11.4.3泰勒表达式272
11.4.4构建信息形式273
11.4.5浓缩信息表274
11.4.6恢复机器人路径277
11.5GraphSLAM算法的数据关联278
11.5.1未知一致性的GraphSLAM算法279
11.5.2一致性测试的数学推理281
11.6效率评价283
11.7实验应用284
11.8其他的优化技术288
11.9小结290
11.10文献综述291
11.11习题293
第12章稀疏扩展信息滤波294
12.1引言294
12.2直观描述296
12.3SEIFSLAM算法298
12.4SEIF的数学推导301
12.4.1运动更新301
12.4.2测量更新304
12.5稀疏化304
12.5.1一般思想304
12.5.2SEIF的稀疏化306
12.5.3稀疏化的数学推导307
12.6分期偿还的近似地图恢复308
12.7SEIF有多稀疏310
12.8增量数据关联313
12.8.1计算增量数据关联概率313
12.8.2实际考虑315
12.9分支定界数据关联318
12.9.1递归搜索318
12.9.2计算任意的数据关联概率320
12.9.3等价约束320
12.10实际考虑322
12.11多机器人SLAM325
12.11.1整合地图326
12.11.2地图整合的数学推导328
12.11.3建立一致性329
12.11.4示例329
12.12小结332
12.13文献综述333
12.14习题334
第13章FastSLAM算法336
13.1基本算法337
13.2因子分解SLAM后验338
13.2.1因式分解的SLAM后验的数学推导339
13.3具有已知数据关联的FastSLAM算法341
13.4改进建议分布346
13.4.1通过采样新位姿扩展路径后验346
13.4.2更新可观察的特征估计348
13.4.3计算重要性系数349
13.5未知数据关联351
13.6地图管理352
13.7FastSLAM算法353
13.8高效实现358
13.9基于特征的地图的FastSLAM360
13.9.1经验思考360
13.9.2闭环363
13.10基于栅格的FastSLAM算法366
13.10.1算法366
13.10.2经验见解366
13.11小结369
13.12文献综述371
13.13习题372
第Ⅳ部分规划与控制
第14章马尔可夫决策过程374
14.1目的374
14.2行动选择的不确定性376
14.3值迭代380
14.3.1目标和报酬380
14.3.2为接近能观测的情况寻找很优控制策略383
14.3.3计算值函数384
14.4机器人控制的应用387
14.5小结390
14.6文献综述391
14.7习题392
第15章部分能观测马尔可夫决策过程394
15.1动机394
15.2算例分析395
15.2.1建立395
15.2.2控制选择397
15.2.3感知398
15.2.4预测402
15.2.5深度周期和修剪404
15.3有限环境POMDP算法407
15.4POMDP的数学推导409
15.4.1置信空间的值迭代409
15.4.2值函数表示法410
15.4.3计算值函数410
15.5实际考虑413
15.6小结416
15.7文献综述417
15.8习题419
第16章近似部分能观测马尔可夫决策过程技术421
16.1动机421
16.2QMDP422
16.3AMDP423
16.3.1增广的状态空间423
16.3.2AMDP算法424
16.3.3AMDP的数学推导426
16.3.4移动机器人导航应用427
16.4MC-POMDP430
16.4.1使用粒子集430
16.4.2MC-POMDP算法431
16.4.3MC-POMDP的数学推导433
16.4.4实际考虑434
16.5小结435
16.6文献综述436
16.7习题436
第17章探测438
17.1介绍438
17.2基本探测算法439
17.2.1信息增益439
17.2.2贪婪技术440
17.2.3蒙特卡罗探测441
17.2.4多步技术442
17.3主动定位442
17.4为获得占用栅格地图的探测447
17.4.1计算信息增益447
17.4.2传播增益450
17.4.3推广到多机器人系统452
17.5SLAM探测457
17.5.1SLAM熵分解457
17.5.2FastSLAM探测458
17.5.3实验描述460
17.6小结462
17.7文献综述463
17.8习题466
参考文献468