概率機(jī)器人中文版 最新更新|軟件分類(lèi)|軟件專(zhuān)題|手機(jī)版|論壇轉(zhuǎn)貼|軟件發(fā)布

您當(dāng)前所在位置： 首頁(yè) → 教程下載 → 電腦刊物 → 概率機(jī)器人

概率機(jī)器人

概率機(jī)器人(暫未上線)
  • 軟件大?。?span itemprop="fileSize">0 Bytes
  • 軟件語(yǔ)言：中文
  • 軟件類(lèi)型：國(guó)產(chǎn)軟件 / 電腦刊物
  • 軟件授權(quán)： 免費(fèi)軟件
  • 更新時(shí)間：2020-09-07 18:42:52
  • 軟件等級(jí)：4星
  • 軟件廠商： -
  • 應(yīng)用平臺(tái)：WinXP, Win7, Win8, Win10
  • 軟件官網(wǎng)：

ITMOP本地下載文件大?。? Bytes

點(diǎn)贊 好評(píng) 0%（0） 差評(píng) 差評(píng) 0%（0）

軟件介紹人氣軟件精品推薦相關(guān)文章網(wǎng)友評(píng)論下載地址

小編為您推薦： 概率機(jī)器人 概率

概率機(jī)器人中文版pdf是專(zhuān)門(mén)為學(xué)者提供概率機(jī)器人學(xué)習(xí)的書(shū)籍，在這里你可以了解完整的基礎(chǔ)知識(shí)，還可以通過(guò)本書(shū)學(xué)習(xí)課程教學(xué)，通過(guò)本書(shū)了解最新的概率交互體驗(yàn)，歡迎有需要的用戶(hù)來(lái)IT貓撲下載！

關(guān)于概率機(jī)器人

《概率機(jī)器人》對(duì)概率機(jī)器人學(xué)這一新興領(lǐng)域進(jìn)行了全面的介紹。概率機(jī)器人學(xué)依賴(lài)統(tǒng)計(jì)技術(shù)表示信息和進(jìn)行決策，以容納當(dāng)今大多數(shù)機(jī)器人應(yīng)用中必然存在的不確定性，是機(jī)器人學(xué)的一個(gè)分支。

它依賴(lài)統(tǒng)計(jì)技術(shù)表示信息和制定決策。這樣做，可以接納在當(dāng)今大多數(shù)機(jī)器人應(yīng)用中引起的不確定性。本書(shū)主要專(zhuān)注于算法，對(duì)于每種算法，均提供了四項(xiàng)內(nèi)容：①偽碼示例；②完整的數(shù)學(xué)推導(dǎo)；③實(shí)驗(yàn)結(jié)果；④算法優(yōu)缺點(diǎn)的詳細(xì)討論。

《概率機(jī)器人》包括了基礎(chǔ)知識(shí)、定位、地圖構(gòu)建、規(guī)劃與控制四大部分。本書(shū)共17章，每章的后都提供了練習(xí)題和動(dòng)手實(shí)踐的項(xiàng)目。相信本書(shū)可以加深讀者對(duì)概率機(jī)器人學(xué)的認(rèn)識(shí)。

概率機(jī)器人中文版pdf下載

概率機(jī)器人中文版目錄

譯者序

原書(shū)前言

致謝

第Ⅰ部分 基礎(chǔ)知識(shí)

第1章 緒論 1

1.1 機(jī)器人學(xué)中的不確定性 1

1.2 概率機(jī)器人學(xué) 2

1.3 啟示 6

1.4 本書(shū)導(dǎo)航 7

1.5 概率機(jī)器人課程教學(xué) 7

1.6 文獻(xiàn)綜述 8

第2章 遞歸狀態(tài)估計(jì) 10

2.1 引言 10

2.2 概率的基本概念 10

2.3 機(jī)器人環(huán)境交互 14

2.3.1 狀態(tài) 15

2.3.2 環(huán)境交互 16

2.3.3 概率生成法則 18

2.3.4 置信分布 19

2.4 貝葉斯濾波 20

2.4.1 貝葉斯濾波算法 20

2.4.2 實(shí)例 21

2.4.3 貝葉斯濾波的數(shù)學(xué)推導(dǎo) 23

2.4.4 馬爾可夫假設(shè) 25

2.5 表示法和計(jì)算 25

2.6 小結(jié) 26

2.7 文獻(xiàn)綜述 26

2.8 習(xí)題 27

第3章 高斯濾波 29

3.1 引言 29

3.2 卡爾曼濾波 30

3.2.1 線性高斯系統(tǒng) 30

3.2.2 卡爾曼濾波算法 31

3.2.3 例證 32

3.2.4 卡爾曼濾波的數(shù)學(xué)推導(dǎo) 33

3.3 擴(kuò)展卡爾曼濾波 40

3.3.1 為什么要線性化 40

3.3.2 通過(guò)泰勒展開(kāi)的線性化 42

3.3.3 擴(kuò)展卡爾曼濾波算法 44

3.3.4 擴(kuò)展卡爾曼濾波的數(shù)學(xué)推導(dǎo) 44

3.3.5 實(shí)際考慮 46

3.4 無(wú)跡卡爾曼濾波 49

3.4.1 通過(guò)無(wú)跡變換實(shí)現(xiàn)線性化 49

3.4.2 無(wú)跡卡爾曼濾波算法 50

3.5 信息濾波 54

3.5.1 正則參數(shù) 54

3.5.2 信息濾波算法 55

3.5.3 信息濾波的數(shù)學(xué)推導(dǎo) 56

3.5.4 擴(kuò)展信息濾波算法 57

3.5.5 擴(kuò)展信息濾波的數(shù)學(xué)推導(dǎo) 58

3.5.6 實(shí)際考慮 59

3.6 小結(jié) 60

3.7 文獻(xiàn)綜述 61

3.8 習(xí)題 62

第4章 非參數(shù)濾波 64

4.1 直方圖濾波 64

4.1.1 離散貝葉斯濾波算法 65

4.1.2 連續(xù)狀態(tài) 65

4.1.3 直方圖近似的數(shù)學(xué)推導(dǎo) 67

4.1.4 分解技術(shù) 69

4.2 靜態(tài)二值貝葉斯濾波 70

4.3 粒子濾波 72

4.3.1基本算法 72

4.3.2 重要性采樣 75

4.3.3 粒子濾波的數(shù)學(xué)推導(dǎo) 77

4.3.4 粒子濾波的實(shí)際考慮和特性 79

4.4 小結(jié) 85

4.5 文獻(xiàn)綜述 85

4.6 習(xí)題 86

第5章 機(jī)器人運(yùn)動(dòng) 88

5.1 引言 88

5.2 預(yù)備工作 89

5.2.1 運(yùn)動(dòng)學(xué)構(gòu)型 89

5.2.2 概率運(yùn)動(dòng)學(xué) 89

5.3 速度運(yùn)動(dòng)模型 90

5.3.1 閉式計(jì)算 91

5.3.2 采樣算法 92

5.3.3 速度運(yùn)動(dòng)模型的數(shù)學(xué)推導(dǎo) 94

5.4 里程計(jì)運(yùn)動(dòng)模型 99

5.4.1 閉式計(jì)算 100

5.4.2 采樣算法 102

5.4.3 里程計(jì)運(yùn)動(dòng)模型的數(shù)學(xué)推導(dǎo) 104

5.5 運(yùn)動(dòng)和地圖 105

5.6 小結(jié) 108

5.7 文獻(xiàn)綜述 109

5.8 習(xí)題 110

第6章 機(jī)器人感知 112

6.1 引言 112

6.2 地圖 114

6.3 測(cè)距儀的波束模型 115

6.3.1 基本測(cè)量算法 115

6.3.2 調(diào)節(jié)固有模型參數(shù) 119

6.3.3 波束模型的數(shù)學(xué)推導(dǎo) 121

6.3.4 實(shí)際考慮 126

6.3.5 波束模型的局限 127

6.4 測(cè)距儀的似然域 127

6.4.1 基本算法 127

6.4.2 擴(kuò)展 130

6.5 基于相關(guān)性的測(cè)量模型 131

6.6 基于特征的測(cè)量模型 133

6.6.1 特征提取 133

6.6.2 地標(biāo)的測(cè)量 133

6.6.3 已知相關(guān)性的傳感器模型 134

6.6.4 采樣位姿 135

6.6.5 進(jìn)一步的考慮 137

6.7 實(shí)際考慮 137

6.8 小結(jié) 138

6.9 文獻(xiàn)綜述 139

6.10 習(xí)題 139

第Ⅱ部分 定 位

第7章 移動(dòng)機(jī)器人定位:馬爾可夫與高斯 142

7.1 定位問(wèn)題的分類(lèi) 144

7.2 馬爾可夫定位 146

7.3 馬爾可夫定位圖例 147

7.4 擴(kuò)展卡爾曼濾波定位 149

7.4.1 圖例 149

7.4.2 擴(kuò)展卡爾曼濾波定位算法 151

7.4.3 擴(kuò)展卡爾曼濾波定位的數(shù)學(xué)推導(dǎo) 151

7.4.4 物理實(shí)現(xiàn) 157

7.5 估計(jì)一致性 161

7.5.1 未知一致性的擴(kuò)展卡爾曼濾波定位 161

7.5.2 極大似然數(shù)據(jù)關(guān)聯(lián)的數(shù)學(xué)推導(dǎo) 162

7.6 多假設(shè)跟蹤 164

7.7 無(wú)跡卡爾曼濾波定位 165

7.7.1 無(wú)跡卡爾曼濾波定位的數(shù)學(xué)推導(dǎo) 165

7.7.2 圖例 168

7.8 實(shí)際考慮 172

7.9 小結(jié) 174

7.10 文獻(xiàn)綜述 175

7.11 習(xí)題 176

第8章 移動(dòng)機(jī)器人定位:柵格與蒙特卡羅 179

8.1 介紹 179

8.2 柵格定位 179

8.2.1 基本算法 179

8.2.2 柵格分辨率 180

8.2.3 計(jì)算開(kāi)銷(xiāo) 184

8.2.4 圖例 184

8.3 蒙特卡羅定位 189

8.3.1 圖例 189

8.3.2 蒙特卡羅定位算法 191

8.3.3 物理實(shí)現(xiàn) 191

8.3.4 蒙特卡羅定位特性 194

8.3.5 隨機(jī)粒子蒙特卡羅定位:失效恢復(fù) 194

8.3.6 更改建議分布 198

8.3.7 庫(kù)爾貝克-萊布勒散度采樣:調(diào)節(jié)樣本集合大小 199

8.4 動(dòng)態(tài)環(huán)境下的定位 203

8.5 實(shí)際考慮 208

8.6 小結(jié) 209

8.7 文獻(xiàn)綜述 209

8.8習(xí)題 211

第Ⅲ部分 地圖構(gòu)建

第9章 占用柵格地圖構(gòu)建 213

9.1 引言 213

9.2 占用柵格地圖構(gòu)建算法 216

9.2.1 多傳感器信息融合 222

9.3 反演測(cè)量模型的研究 223

9.3.1 反演測(cè)量模型 223

9.3.2 從正演模型采樣 224

9.3.3 誤差函數(shù) 225

9.3.4 實(shí)例與深度思考 226

9.4 最大化后驗(yàn)占用地圖構(gòu)建 227

9.4.1 維持依賴(lài)實(shí)例 227

9.4.2 用正演模型進(jìn)行占用柵格地圖構(gòu)建 228

9.5 小結(jié) 231

9.6 文獻(xiàn)綜述 231

9.7 習(xí)題 232

第10章 同時(shí)定位與地圖構(gòu)建 235

10.1 引言 235

10.2 基于擴(kuò)展卡爾曼濾波的SLAM 237

10.2.1 設(shè)定和假設(shè) 237

10.2.2 已知一致性的SLAM問(wèn)題 238

10.2.3 EKF SLAM的數(shù)學(xué)推導(dǎo) 241

10.3 未知一致性的EKF SLAM 244

10.3.1 通用EKF SLAM算法 244

10.3.2 舉例 247

10.3.3 特征選擇和地圖管理 250

10.4 小結(jié) 252

10.5 文獻(xiàn)綜述 253

10.6 習(xí)題 256

第11章 GraphSLAM算法 258

11.1 引言 258

11.2 直覺(jué)描述 260

11.2.1 建立圖形 260

11.2.2 推論 262

11.3 具體的GraphSLAM算法 265

11.4 GraphSLAM算法的數(shù)學(xué)推導(dǎo) 270

11.4.1 全SLAM后驗(yàn) 271

11.4.2 負(fù)對(duì)數(shù)后驗(yàn) 272

11.4.3 泰勒表達(dá)式 272

11.4.4 構(gòu)建信息形式 273

11.4.5 濃縮信息表 274

11.4.6 恢復(fù)機(jī)器人路徑 277

11.5 GraphSLAM算法的數(shù)據(jù)關(guān)聯(lián) 278

11.5.1 未知一致性的GraphSLAM算法 279

11.5.2 一致性測(cè)試的數(shù)學(xué)推理 281

11.6 效率評(píng)價(jià) 283

11.7 實(shí)驗(yàn)應(yīng)用 284

11.8 其他的優(yōu)化技術(shù) 288

11.9 小結(jié) 290

11.10 文獻(xiàn)綜述 291

11.11 習(xí)題 293

第12章 稀疏擴(kuò)展信息濾波 294

12.1 引言 294

12.2 直觀描述 296

12.3 SEIF SLAM算法 298

12.4 SEIF的數(shù)學(xué)推導(dǎo) 301

12.4.1 運(yùn)動(dòng)更新 301

12.4.2 測(cè)量更新 304

12.5 稀疏化 304

12.5.1 一般思想 304

12.5.2 SEIF的稀疏化 306

12.5.3 稀疏化的數(shù)學(xué)推導(dǎo) 307

12.6 分期償還的近似地圖恢復(fù) 308

12.7 SEIF有多稀疏 310

12.8 增量數(shù)據(jù)關(guān)聯(lián) 313

12.8.1 計(jì)算增量數(shù)據(jù)關(guān)聯(lián)概率 313

12.8.2 實(shí)際考慮 315

12.9 分支定界數(shù)據(jù)關(guān)聯(lián) 318

12.9.1 遞歸搜索 318

12.9.2 計(jì)算任意的數(shù)據(jù)關(guān)聯(lián)概率 320

12.9.3 等價(jià)約束 320

12.10 實(shí)際考慮 322

12.11 多機(jī)器人SLAM 325

12.11.1 整合地圖 326

12.11.2 地圖整合的數(shù)學(xué)推導(dǎo) 328

12.11.3 建立一致性 329

12.11.4 示例 329

12.12 小結(jié) 332

12.13 文獻(xiàn)綜述 333

12.14 習(xí)題 334

第13章 FastSLAM算法 336

13.1 基本算法 337

13.2 因子分解SLAM后驗(yàn) 338

13.2.1 因式分解的SLAM后驗(yàn)的數(shù)學(xué)推導(dǎo) 339

13.3 具有已知數(shù)據(jù)關(guān)聯(lián)的FastSLAM算法 341

13.4 改進(jìn)建議分布 346

13.4.1 通過(guò)采樣新位姿擴(kuò)展路徑后驗(yàn) 346

13.4.2 更新可觀察的特征估計(jì) 348

13.4.3 計(jì)算重要性系數(shù) 349

13.5 未知數(shù)據(jù)關(guān)聯(lián) 351

13.6 地圖管理 352

13.7 FastSLAM算法 353

13.8 高效實(shí)現(xiàn) 358

13.9 基于特征的地圖的 FastSLAM 360

13.9.1 經(jīng)驗(yàn)思考 360

13.9.2 閉環(huán) 363

13.10 基于柵格的FastSLAM算法 366

13.10.1 算法 366

13.10.2 經(jīng)驗(yàn)見(jiàn)解 366

13.11 小結(jié) 369

13.12 文獻(xiàn)綜述 371

13.13 習(xí)題 372

第Ⅳ部分 規(guī)劃與控制

第14章 馬爾可夫決策過(guò)程 374

14.1 目的 374

14.2 行動(dòng)選擇的不確定性 376

14.3 值迭代 380

14.3.1 目標(biāo)和報(bào)酬 380

14.3.2 為完全能觀測(cè)的情況尋找最優(yōu)控制策略 383

14.3.3 計(jì)算值函數(shù) 384

14.4 機(jī)器人控制的應(yīng)用 387

14.5 小結(jié) 390

14.6 文獻(xiàn)綜述 391

14.7 習(xí)題 392

第15章 部分能觀測(cè)馬爾可夫決策過(guò)程 394

15.1 動(dòng)機(jī) 394

15.2 算例分析 395

15.2.1 建立 395

15.2.2 控制選擇 397

15.2.3 感知 398

15.2.4 預(yù)測(cè) 402

15.2.5 深度周期和修剪 404

15.3 有限環(huán)境POMDP算法 407

15.4 POMDP的數(shù)學(xué)推導(dǎo) 409

15.4.1 置信空間的值迭代 409

15.4.2 值函數(shù)表示法 410

15.4.3 計(jì)算值函數(shù) 410

15.5 實(shí)際考慮 413

15.6 小結(jié) 416

15.7 文獻(xiàn)綜述 417

15.8 習(xí)題 419

第16章 近似部分能觀測(cè)馬爾可夫決策過(guò)程技術(shù) 421

16.1 動(dòng)機(jī) 421

16.2 QMDP 422

16.3 AMDP 423

16.3.1 增廣的狀態(tài)空間 423

16.3.2 AMDP算法 424

16.3.3 AMDP的數(shù)學(xué)推導(dǎo) 426

16.3.4 移動(dòng)機(jī)器人導(dǎo)航應(yīng)用 427

16.4 MC-POMDP 430

16.4.1 使用粒子集 430

16.4.2 MC-POMDP算法 431

16.4.3 MC-POMDP的數(shù)學(xué)推導(dǎo) 433

16.4.4 實(shí)際考慮 434

16.5 小結(jié) 435

16.6 文獻(xiàn)綜述 436

16.7 習(xí)題 436

第17章 探測(cè) 438

17.1 介紹 438

17.2 基本探測(cè)算法 439

17.2.1 信息增益 439

17.2.2 貪婪技術(shù) 440

17.2.3 蒙特卡羅探測(cè) 441

17.2.4 多步技術(shù) 442

17.3 主動(dòng)定位 442

17.4 為獲得占用柵格地圖的探測(cè) 447

17.4.1 計(jì)算信息增益 447

17.4.2 傳播增益 450

17.4.3 推廣到多機(jī)器人系統(tǒng) 452

17.5 SLAM探測(cè) 457

17.5.1 SLAM熵分解 457

17.5.2 FastSLAM探測(cè) 458

17.5.3 實(shí)驗(yàn)描述 460

17.6 小結(jié) 462

17.7 文獻(xiàn)綜述 463

17.8 習(xí)題 466

參考文獻(xiàn) 468

更多>> 軟件截圖

推薦應(yīng)用

    其他版本下載

      精品推薦

      相關(guān)文章

      下載地址

      查看所有評(píng)論>> 網(wǎng)友評(píng)論

      發(fā)表評(píng)論

      (您的評(píng)論需要經(jīng)過(guò)審核才能顯示) 網(wǎng)友粉絲QQ群號(hào):374962675

      查看所有 0條 評(píng)論>>

      更多>> 猜你喜歡