图书介绍
概率机器人PDF|Epub|txt|kindle电子书版本网盘下载
- （美）塞巴斯蒂安·特龙（Sebastian Thrun），（德）沃尔弗拉姆·比加尔（Wolfram Burgard），（美）迪特尔·福克斯（Dieter Fox）著 著
- 出版社： 北京：机械工业出版社
- ISBN：9787111504375
- 出版时间：2017
- 标注页数：495页
- 文件大小：80MB
- 文件页数：515页
- 主题词：机器人
PDF下载
下载说明
概率机器人PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第Ⅰ部分 基础知识1
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
6.1 0习题139
第Ⅱ部分 定位142
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213
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 最大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
10.2.3 EKFSLAM的数学推导241
10.3 未知一致性的EKF SLAM244
10.3.1 通用EKF SLAM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
11.4 GraphSLAM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
11.5 GraphSLAM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
12.3 SEIF SLAM算法298
12.4 SEIF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
12.5.2 SEIF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
12.7 SEIF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
13.7 FastSLAM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374
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最优控制策略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
15.4 POMDP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
16.2 QMDP422
16.3 AMDP423
16.3.1 增广的状态空间423
16.3.2 AMDP算法424
16.3.3 AMDP的数学推导426
16.3.4 移动机器人导航应用427
16.4 MC-POMDP430
16.4.1 使用粒子集430
16.4.2 MC-POMDP算法431
16.4.3 MC-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
17.5 SLAM探测457
17.5.1 SLAM熵分解457
17.5.2 FastSLAM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