概率机器人

概率机器人
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: , , ,
2017-05
版次: 1
ISBN: 9787111504375
定价: 99.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 495页
167人买过
  • 《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。 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
  • 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
查看详情
系列丛书 / 更多
概率机器人
氢与燃料电池 新兴的技术及其应用(原书第2版)
[丹麦]本特·索伦森(Bent SOrensen) 著;隋升 译
概率机器人
国际电气工程先进技术译丛:锂二次电池原理与应用
[韩]朴正基(Jung-Ki Park)、[韩]朴正基(Jung-Ki Park) 著;张治安、杜柯、任秀 译
概率机器人
大规模锂离子电池管理系统
[美]达维德·安德里亚 著;李建林 译
概率机器人
超级电容器:全面介绍了基础知识、最新研究成果和发展趋势,具有较强的应用价值。
[法]Francois、[波兰]Elzbieta Frackowiak 著;张治安 译
概率机器人
太阳能制氢的能量转换、储存及利用系统 氢经济时代的科学和技术
[意]加布里埃莱·齐尼(Gabriele Zini)、[意]保罗·塔塔里尼 著;李朝升 译
概率机器人
电力电子变换器:PWM策略与电流控制技术
[法]艾瑞克·孟麦森 著;冬雷 译
概率机器人
国际电气工程先进技术译丛:永磁无刷电机及其驱动技术
[美]R.Krishnan 著;柴凤 译
概率机器人
电机及其传动系统 原理、控制、建模和仿真
[美]沙欣.费利扎德 著;杨立永 译
概率机器人
柔性机器人:多尺度操作应用
[法]马修·格罗萨德(Mathieu Grossard) 著;连晓峰 译
概率机器人
电力系统储能(原书第2版)
[美]AndreTer-Gazarian 著;周京华、陈亚爱、孟永庆 译
概率机器人
电力变电站工程(原书第3版)
李宏仲、王华昕 译
概率机器人
电力系统稳定性:建模、分析与控制
Sallam 著;[埃及]阿布德哈伊·撒拉姆(Abdelhay、A.、李勇 曹一家 蔡晔 谭益 译
相关图书 / 更多
概率机器人
概率论(第二版) 何书元
何书元 编著
概率机器人
概率论与数理统计
欧启通
概率机器人
概率论与数理统计
郭冰阳 编
概率机器人
概率论与数理统计习题册(第2版)
西南交通大学数学学院统计系
概率机器人
概率论与数理统计习题全解与学习指导(第2版)
杨筱菡 王勇智
概率机器人
概率论与数理统计练习与提高
王元媛
概率机器人
概率统计同步练习与提高
石志岩 主编
概率机器人
概率论与数理统计(第2版)
殷羽 编
概率机器人
概率论与数理统计基础教程
主编 纪楠 副主编 袁书娟 关树明 参编 韩冰 李言 王立亚
概率机器人
概率论与数理统计
哈金才 马少娟 李海燕 主编
概率机器人
概率论与数理统计
林娟
概率机器人
概率论与数理统计
作者
您可能感兴趣 / 更多
概率机器人
植物会拉粑粑吗?(全4册)
塞巴斯蒂安.佩雷斯;安妮洛尔·帕罗
概率机器人
Python算法交易实战
塞巴斯蒂安·多纳迪奥(Sebastien Donadio)
概率机器人
英雄、情人、势利鬼、恶人:28个英国小说人物的秘密生活
塞巴斯蒂安·福克斯 著
概率机器人
漫威电影里的科学:揭晓无限宝石与钢铁侠的秘密
塞巴斯蒂安·阿尔瓦拉多 著
概率机器人
儿童情景式专注力进阶培养大书(全两册)
塞巴斯蒂安·科恩、尼克拉斯·鲍尔、克里斯蒂娜·布朗 著
概率机器人
漫长的婚约
塞巴斯蒂安·雅普瑞索 著
概率机器人
掉队的拉美
塞巴斯蒂安·爱德华斯 著
概率机器人
格林斯潘传
塞巴斯蒂安·马拉比(Sebastian Mallaby) 著
概率机器人
开车出发·小小工程车系列(共4册)能干的小挖掘机/勇敢的小火车头/威力无比的小拖船/快乐的拖拉机
塞巴斯蒂安·布劳恩
概率机器人
海豚绘本花园:松鼠先生和森林之王(平装)
塞巴斯蒂安.麦什莫泽
概率机器人
海豚绘本花园:松鼠先生找幸福(平装)(新版)
塞巴斯蒂安.麦什莫泽
概率机器人
明星漫像
塞巴斯蒂安 克吕格