概率机器人

图书信息

作者：(美)塞巴斯蒂安·特龙(SebastianThrun),(德)沃尔弗拉姆·比加尔(WolframBurqard),(美)迪特尔·福克斯(DieterFox)著;曹红玉等译著

出版社：机械工业出版社

定价：99.00

ISBN：9787111504375

出版时间：2017-04-01

分类：图书,行业职业,计算机,工具书

商品介绍

目录

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为完全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

内容简介

《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。

作者简介

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。