概率机器人

图书标准信息

• 作者 塞巴斯蒂安·特龙 著；曹红玉、谭志、史晓霞 译
• 出版社 机械工业出版社
• 出版时间 2017-05
• 版次 1
• ISBN 9787111504375
• 定价 99.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 495页
• 丛书 国际电气工程先进技术译丛

【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。

【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 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SLAM 237 
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 EKF SLAM的数学推导 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 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SLAM 325 
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 FastSLAM 360 
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 QMDP 422 
16.3 AMDP 423 
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-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