概率机器人_阅读3_c6感知概率模型
REF:
书本教材：http://probabilistic-robotics.informatik.uni-freiburg.de/ppt/
读书笔记：https://blog.csdn.net/daqianc/article/category/8250671
Abbr:
TBD
牢记
重点
感知：（中文版page130，英文P149）
所有测量值都是不准确的。所有测量都是独立的，互不影响（独立事件）
地图的定义:
物理世界数字化表示就是地图，是信息的集合（想想家里的纸质地图）里面包含了各种信息（坐标，河流，树木，大小...）
地图通常基于以下两种方法之一，称为基于特征的 (feature- based) 和基于位置的 (location- based) 。
一种基于位置的经典的地图表示法称为占用栅格地图 (occupancy grid map) ，占用栅格地图为每一个x-y （不管有没有障碍物，没有障碍物）坐标分配一个二值占用值，指明一个位置是否被一个对象占用。占用栅格地图对移动机器人导航是非常重要的，它们使通过非占用空间寻找路径变得更容易。--路径规划特别方便
基于特征的，没有物体空间的是不表示的。
传感器噪声模型： Lidar, radar,ultrasonic(超声波）
第一种模型：波束模型（beam-based model）--这种模型需要进行最大似然估计，求导，估计的准确性不好 。而且估计的过程需要投影操作获得真值（复杂度太高）
描述了如何给测距的传感器建立噪声模型。有4种不确定/噪声的来源。-a,理解没问题，b-比如雷达的鬼影。混合后的到的模型图如下
Zt ---测量值，
Xt ---ego 坐标，m---（地图-就是物理世界，真值）
Zt* ---真值！
2维概率模型 理解图：（后验概率，已知地图的真值坐标--通过匹配，求测量结果发生的概率。）参数可以调整，概率模型已知，这样就可以估计测量结果的概率分布。
实现算法：zt* 在概率密度函数里有，需要先求出来，通过投影，特征匹配的方式，获得真值 
第二种模型：Scan-based model ==似然域 likehood field （中文page 145）
和beam based(基于波束的区别）•Idea: Instead of following along the beam, just check the end point.（扫描的方式只考虑起点和终点）
第三种模型：Correlation-based model 相关性的模型（中文page149）
Scan match: 扫描匹配：本地生成的地图，和全局已知的地图比较。实现定位。
第四种模型：feature -based model （中文page151）
前面的模型用的都是raw data， (数据信息量大，维度高），如果只提取出我们感兴趣的N维信息，就可以大大减少软件复杂度。
特征提取，特征分析。-运用computer vision的计算。<目前应该是主流应用了， 比如baidu apollo>。但是书中说。。。*大多数state-of-the-art的方法都使用稠密的测量数据 ，不使用特征法
缺点： 适合特征明显的地域，城市内部，地下车库.几何棱角分明的建筑，不适用于开旷的，乡村 etc.
地标landmark==地图：（真值的测量与描述）--是一种基于特征值的地图，这些地图由特征列表组成， m= m1, m2,...组成。每个特征都具有一个签名(单个数或多维向量--数据特征--数据结构），和一个位置坐标 (location coordinate) 。用 mi,x 和 m,,y 表示的特征的位置是其在地图的全局坐标系下的坐标。
数据关联（测量数据和地图数据关联-data association）。
如果测量的特征都被地图<=N包含了，这个时候，特征提取，特征比较，得到了测量的真值后，可以建立他们的概率模型。
easy!
