机器人学中的状态估计/人工智能与机器人系列

如何估计机器人在空间中移动时的状态(如位置、方向)是机器人研究中一个重要的问题。大多数机器人、自动驾驶汽车都需要导航信息。导航的数据来自于相机、激光测距仪等各种传感器，而它们往往受噪声影响，这给状态估计带来了挑战。蒂莫西？D.巴富特著的《机器人学中的状态估计》将介绍常用的传感器模型，以及如何在现买世界中利用传感器数据对旋转或其他状态变量进行估计。本书涵盖了经典的状态估计方法(如卡尔曼滤波)以及更为现代的方法(如批量估计、贝叶斯滤波、sigm印oim滤波和粒子滤波、剔除外点的鲁棒估计、连续时间的轨迹估计和高斯过程回归)。这些方法在诸如点云对齐、位姿图松弛、光束平差法以及同时定位与地图构建等重要应用中得以验证。对机器人领域的学生和相关从业者来说，本书将是一份宝贵的资料。

蒂莫西？D.巴富特博士(多伦多大学航空航天研究所UTIAS教授)在工业和学术界的移动机器人导航中已有逾十五年的研究历史。他的研究领域涉及空间探索、采矿、军事和运输等，并在定位、建图、规划和控制方面作出了贡献。

简介
译者序
序言
缩略语
符号对照表
第1章 引言
1.1 状态估计简史
1.2 传感器、测量和问题定义
1.3 本书组织结构
1.4 与其他教程的关系
第一部分 状态估计机理
第2章 概率论基础
2.1 概率密度函数
2.1.1 定义
2.1.2 贝叶斯公式及推断
2.1.3 矩
2.1.4 样本均值和样本方差
2.1.5 统计独立性与不相关性
2.1.6 归一化积
2.1.7 香农信息和互信息
2.1.8 克拉美罗下界和费歇尔信
息量
2.2 高斯概率密度函数
2.2.1 定义
2.2.2 Isserlis定理
2.2.3 联合高斯概率密度函数
分解与推断
2.2.4 统计独立性、不相关性
2.2.5 高斯分布随机变量的线性
变换
2.2.6 高斯概率密度函数的归一
化积
2.2.7 Sherman.Morrison
Woodbury等式
2.2.8 高斯分布随机变量的非线
性变换
2.2.9 高斯分布的香农信息
2.2.10 联合高斯概率密度函数的
互信息
2.2.1 l高斯概率密度函数的克拉
美罗下界
2.3 高斯过程
2.4 总结
2.5 习题
第3章 线性高斯系统的状态估计
3.1 离散时间的批量估计问题
3.1.1 问题定义
3.1.2 最大后验估计
3.1.3 贝叶斯推断
3.1.4 存在性、唯一性与能观性
3.1.5 MAP的协方差
3.2 离散时间的递归平滑算法
3.2.1 利用批量优化结论中的稀
疏结构
3.2.2 Cholesky平滑算法
3.2.3 Rauch―Tung―Striebel平滑
算法
3.3 离散时间的递归滤波算法
3.3.1 批量优化结论的分解
3.3.2 通过MAP推导卡尔曼滤波
3.3.3 通过贝叶斯推断推导卡尔
曼滤波
……
第二部分 三维空间运动机理
第三部分 应用
附录
参考文献
索引