卡尔曼滤波、粒子滤波、直方图滤波是贝叶斯滤波的三种实现形式，在《概率机器人》这本书中，按照“线性→非线性”的顺序讲解，先介绍卡尔曼滤波，再介绍直方图滤波和粒子滤波。

Autoware介绍Autoware包含以下模块：1.定位：通过结合GNSS和IMU传感器的3D地图和SLAM算法来实现定位2.检测：使用具有传感器融合算法和深度神经网络的摄像机以及LiDAR3.预测和规划：基于概率机器人技术和基于规则的系统

移动机器人定位可以认为是坐标变换的问题，建立地图坐标系与机器人本体坐标系之间的对应关系的过程。马尔科夫定位=贝叶斯滤波+马尔科夫准则扩展卡尔曼定位=EKF+运动模型+基于特征的测量模型无迹卡尔曼定位=UKF+运动模型+基于特征的测量模型

主要是AMCL及EKF，两种定位方法3.1AMCL定位首先讲一下AMCL算法，自适应蒙特卡罗粒子滤波定位，其实在gmapping中，我们就要用轮式里程计的odom产生粒子，有些东西，讲大家可能不懂，可以见概率机器人或机器人学状态估计

介绍这篇文章用于记录《概率机器人》（《ProbalbilisticRobotics》）这本书的学习笔记和心得，将会主要按照书中的章节进行组织，穿插一些补充内容和自己的理解。

利用概率描述机器人中的不确定性，这样机器人中的不确定性就可以在概率理论框架下被计算和推演，这就是著名的概率机器人学[4]。

4涉及的技术（概率机器人技术）5内部构造1ROS是什么？

非官方无责任不靠谱系列之概率机器人。《概率机器人》出版年：2016，作者：[美]塞巴斯蒂安·特龙一、课本部分此书每章后面都有文献综述，很有特色。

为了使机器人接纳这些不确定性，《概率机器人》致力于将机器人感知与行为的不确定性用概率理论明确地表示出来，推测整个空间中概率分布信息，表示出每种可能的模糊性和置信度，形成相对鲁棒的控制方式

我把《自主移动机器人导论》过了一遍,但觉得对机器人定位问题认识得太浅,不能深刻认识定位所以然的问题,于是义无反顾地看起了《概率机器人》中文版(由于英语一般,而且新术语太多,所以先从中文版开始熟悉其中的内容

一作FelixEndres，导师团都是大牛：弗莱堡大学WolframBurgard教授，也是书籍《概率机器人》的作者；DanielCremers则是慕尼黑工业大学机器人实验室的大佬。

这篇就是纯科普了，现代的大佬们太多了，以后要是有时间大家可以去看论文哈：书的话高翔博士的"视觉SLAM十四讲"与Barfoot教授(高翔,谢晓佳等译)的"机器人学中的状态估计"是非常好的书籍，"概率机器人

基本是基于概率机器人进行实现的，是一个很好的学习材料。此博客只是个人学习记录。ref01.第五课EKFSLAMref02.EKF_SLAM实践。特别好的一篇文章。

一、样本空间与随机事件1.随机试验相同条件下，试验可以重复进行试验结果不止一个，但是试验之前可以知道所有可能出现的结果试验前不能确定每次试验的结果是哪一个2.样本空间随机试验中所有可能的结果（样本点）组成的集合。3.随机事件随机试验的样本空间的子集，即样本点的集合。二、概率与独立1.概率非负性：对于任意随机事件A，P(A)≥0P(A)\geq0P(A)≥0规范性：对于必然事件S，P(S)=1P(S

图一取自《概率机器人》一书的栅格地图描述一张栅格地图分别需要理解以下几个概念：栅格：可以类比图片的像素点，拥有分辨率、占用率的属性。分辨率：是指一个网格能表示现实世界的距离长短。

文章目录第七章：移动机器人定位：马尔科夫与高斯第八章：移动机器人定位：栅格与蒙特卡洛第九章：占用栅格地图构建第十章：同时定位与地图构建第十一章：GraphSLAM算法第十七章：探测第七章：移动机器人定位：马尔科夫与高斯定位：移动机器人定位就是确定相对于给定地图环境的机器人位姿，也被称为位置估计。几乎所有机器人技术的任务都需要正在被操控的目标位置的信息。定位的过程被看做是进行坐标转换，地图以全局坐标

特龙.概率机器人.机械工业出版社,2017.Print.国际电气工程先进技术译丛.第一章：绪论机器人学的不确定性机器人环境robotenvironment传感器的量程和分辨率：测量噪声机器人的执行机构robotactuation

文章目录1前言2二值贝叶斯滤波2.1理论基础2.2算法流程2.3重要公式推导3实例：占据栅格地图（occupancygridmapping）4参考文献1前言如果通过传感器对一个环境中固定状态进行评估，该状态为二值状态（例如判断一扇门的开关状态），那么就需要用到二值贝叶斯滤波二值贝叶斯滤波的一个重要应用就是通过激光雷达建立占据栅格地图，这会在下文中做介绍2二值贝叶斯滤波2.1理论基础对于一个静态状态

一个刚性移动机器人的构型通常用6个变量来描述：他的三维直角坐标系，以及相对外部坐标系的三个欧拉角（RPY横滚，俯仰，偏航），所以那么在平面环境中一般用三个变量既可以描述，称之为位姿。所以一般而平面上机器人的位姿信息也就是机器人的二维平面坐标（x,y）及其方位角θ，用这个向量来表示：⎛⎝⎜xyθ⎞⎠⎟没有方向的位姿就叫做位置（Location）.那我们知道概率运动学中的条件密度是：p(xt|ut,x

《概率机器人》SebastianTrun,WoframBurgard,Die

修正了原文的一些错误第二章习题1.机器人使用一个可以测量0～3m距离的传感器。为了简化，假定真实的距离在这个范围中均匀分布。很不幸的是，传感器会坏掉。当传感器故障时，不管传感器的锥形测量范围内实际测距结果应该是多少，其输出测距值均小于1m已知对于传感器故障的先验概率是。设想机器人查询了N次传感器，每次测量值都小于1m。对于N=1,2,…,10的传感器故障的后验概率是多少？用公式表示相关的概率模型。

地图匹配模型地图匹配（MapMatching）技术是一种通用的基于相关性的测量模型技术。地图匹配通过将扫描数据（Scan）转换为占用地图（OccupancyMap），将少量的连续扫描编制到局部地图（LocalMaps）上。局部地图是相对于机器人位姿的地图信息，用参量mlocalm_{local}mlocal。模型将局部地图信息mlocalm_{local}mlocal同全局地图信息mmm比较，当m

基于地图的运动学模型模型建立实际运行下，在机器人运动时将给定地图mmm，地图中包括机器人能够或不能够通过的空间信息。例如占用地图（Occupancymaps），其中分为占用区域（Occupied）和闲置区域（Free）。机器人在运动时，应保证位姿始终处于闲置区域内。采用p(xt∣ut,xt−1,m)p(x_t|u_t,x_{t-1},m)p(xt∣ut,xt−1,m)表示基于地图信息的运动学模型（

机器人感知测量模型测量模型：用于描述客观世界中生成传感器测量数据的过程。模型的特性取决于传感器：成像传感器：通过投影几何学建立声纳传感器：通过描述声波和声波在环境表面上的反射建立测量模型定义为一个条件概率密度p(zt∣xt,m)p(z_t|x_t,m)p(zt∣xt,m)，表示在环境地图mmm和机器人位姿为xtx_txt的条件下，传感器测量得到ztz_tzt的概率密度。传感器在进行测量时，将会产生

REF:书本教材：http://probabilistic-robotics.informatik.uni-freiburg.de/ppt/读书笔记：https://blog.csdn.net/daqianc/article/category/8250671Abbr: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

《概率机器人》目前我仅大概过了一遍第I部分和第II部分,便发现这本书结构非常清晰,主要把第一部分的基础理论学扎实,后面的第II和第III部分便不会学得头大.第I部分第2~4章主要介绍了构成所有算法基础的数学基础

测距仪的似然域模型似然域模型（Likelihoodfieldmodel）克服了波束模型的局限性，能够在混乱小空间内，得到较为光滑的后验并大幅提高计算效率。似然域模型是一种特设（adhoc）算法，无合适的物理解释。将障碍物检测的似然描述为地图坐标的函数，称为似然域。模型建立首先，模型将传感器扫描终点ztz_tzt映射至地图的全局坐标系（Map坐标系）。假设机器人在时刻ttt的位姿xt=[XYθ]Tx

本文参考：《概率机器人》0引言概率是进行机器人控制、定位与建图的核心基础知识，相信这一点大家都深有体会。各种滤波算法都是根据贝叶斯概率公式的基础所衍生出来的算法。

2020书单书名书评推荐（未完）《视觉SLAM十四讲》没有SLAM，虚拟现实终将只能在轮椅上✨✨✨✨（未完）《多视图几何》计算机几何的圣经✨✨✨✨✨（未完）《概率机器人》SLAM滤波方法✨✨✨✨（未完）

前一篇贝叶斯滤波中提到了贝叶斯滤波不是一种实用的方法，没有办法在计算机中进行表达。是因为贝叶斯是一种抽象的滤波器，其中的置信度表示都是抽象的，没有明确的表达式，没有办法计算积分。尽管如此，贝叶斯给我们提供了一种关于状态最优估计的方法，本篇及后续可能更新的方法皆是贝叶斯滤波的实现方式。1、高斯滤波在正式介绍卡尔曼之前，需要先对高斯滤波做一个说明。高斯滤波是一种递归状态估计器，为了解决贝叶斯滤波器中置

状态环境特征以状态表征，状态是所有会对未来产生影响的机器人及其环境的所有方面因素。概率生成法则状态转移概率，根据条件独立，可得到：它指出了环境状态作为机器人控制ut的函数是如何随着事件变化的。从得到的概率分布公式，可知机器人的环境是随机的。测量概率，根据条件独立，可得到：它指出测量数据zt由环境状态xt产生，将测量认为是状态的有噪声预测。隐马尔可夫模型（HMM）/动态贝叶斯网络（DBN）状态转移概

前段时间报名的深蓝学院的激光SLAM的课程基本结束，感觉和之前阅读的《概率机器人》一书内容有很多相通，于是决定再读一遍这本书，希望能够有更深入的了解。

写在前面最近刚温习了概率机器人中的粒子滤波，理解可能不够深入，如有错误和不妥之处，还请大家批评指正，欢迎交流导引写在前面1概况2粒子滤波算法流程重采样的进一步理解1概况粒子滤波是贝叶斯滤波的一种非参数实现

1算法概率机器人一书中讲述了许多算法以及它们使用的参数，建议读者去书中查看以获得更多细节信息。

一、博客篇【古月居】胡春旭ROS【半闲居士】高翔SLAM十四讲【创客智造】【ROS小课堂】【泡泡机器人SLAM】【Being_young】博客园SLAM三维视觉点云处理概率机器人多视角几何theKITTIVisionBenchmarkSuite

amcl算法全部可以从《概率机器人》书上找到：生成新粒子群(5.4节)、计算权重(6.4节)、重采样算法（8.3.5节）。有了算法看代码就容易很多。

《Probabilisticrobotics》[M].Cambridge,USA:MITPress,2005（概率机器人）；《PrinciplesofRobotMotionTheory，AlgorithmsandImplementation

学完概率的基本知识，书中机器人环境交互的知识教我们如何用概率描述机器人与世界。下面是本篇文章的知识结构图：环境：拥有内部状态的动态系统。机器人与环境：（1）观测环境：机器人可以通过传感器获得环境的相关信息，但是传感器有噪声，因此，机器人保持着关于环境状态的一个内部置信度。（2）影响环境：机器人的控制行为会影响环境，并且对机器人状态的内部置信度有影响。状态：（1）状态定义：本书认为状态是所有会对未来

常用核心算法快速入门激光雷达RGBD摄像头vSLAMVIO常见的特征点提取算法vSLAM的核心算法SLAM的未来发展趋势激光雷达基于激光雷达的2DSLAM相对成熟，早在2005年，SebastianThrun等人的经典著作《概率机器人学

AMCL定位是现在在ROS中比较常用的定位方式之一，其具体的原理详见《概率机器人》第8章内容，这里只简单记录一下做AMCL过程中遇到的问题。

——沃镃基硕德在算法领域遨游的这些年，我们的能力、见识都在飞速增长，代码一行行看，博客知乎一篇篇刷，书本一本本买，从最最开始的《C++primer》和《21天精通Python》（黑历史）到后面的《概率机器人

《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。

1.前言卡尔曼滤波（KalmanFiltering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。上面是来自百度百科对卡尔曼滤波的定义，指明了卡尔曼滤波的两大主要功能：过滤噪声和参数估计。2.卡尔曼滤波的理解和推导(1)对象模型(DynamicModel)对象模型就是卡尔曼滤波适应的问

上篇在介绍机器人环境交互中：https://blog.csdn.net/jcsm__/article/details/106516512，提到了机器人通过内部的置信度来确定当前的状态，本篇及后续将介绍求取置信度的几种方法。1、贝叶斯滤波原理贝叶斯滤波通过控制和测量数据计算置信度分布bel()。是一种递归算法，通过t-1时刻的置信度计算t时刻的置信度。每一次的迭代更新包括两方面：控制更新和测量更新。

十四讲》，基本了解了SLAM的框架结构，然后看了一些ORB-SLAM的代码，跑了几个模型，看了几篇论文，感觉还是有很多关于状态估计的问题不是很清楚，然后在知乎看到了关于slam推荐书籍，有一本状态估计和概率机器人

《概率机器人》目前我仅大概过了一遍第I部分和第II部分,便发现这本书结构非常清晰,主要把第一部分的基础理论学扎实,后面的第II和第III部分便不会学得头大.Amobilerobotestimatingthestateofadoor

《摘自概率机器人》上接马尔可夫定位1.预测步骤\qquadΣt−1,μt−1\boldsymbol{\Sigma}_{t-1},\boldsymbol{\mu}_{t-1}Σt−1,μt−1分别表示t−

首先应该了解MCL的算法原理本教程是对Dr.SebastianThrun所著《概率机器人

utm_source=qq&utm_medium=social&utm_oi=726911971793838080原文有视频这篇文章实现了《概率机器人》第10章中提到的EKF-SLAM算法，更确切的说是实现了已知一致性的

在《概率机器人》第2章中，有这样一段话：那么为什么不依赖呢？作者在这里没有进行详细的说明，那么如何理解这段话呢？