文章目录
- 系列文章目录
- 前言
- 一、pandas是什么?
- 二、使用步骤
状态估计的概率解释:位姿x和路标y服从某种概率分布,目的是通过某些运动数据u(比如惯性测量传感器IMU输入)和观测数据z(比如拍摄到的照片像素点的值)来确定状态量x和y的分布。
首先我们回顾一下SLAM过程中的运动方程和观测方程:假设在t=0到t=N的时间内,有位姿
到
,并且有路标
,则可以写成数学模型为:
![](https://img-blog.csdnimg.cn/2548ae042a2d4da3acc38ac047df9c5f.jpeg)
1.值得注意的是在运动方程中(可以理解为机器人从k-1时刻到k时刻,位置x的变化)uk是运动传感器的数据的输入,wk为该过程中加入的噪声。当机器人在xk位置上看到某个路标yi时,产生了一个观测数据
(即观测数据依赖位置与路标),
为观测噪声.虽然这个很简单,但所有的工作围绕这个方程展开的,所以再提一遍。
2.在观测方程中,只有在
看见了
时,才会产生观测数据,否则就没有,事实上在某一位置特征点的数量众多,实际中观测方程会远远大于运动方程。
由于位姿和路标点是待估计量,我们令
为k时刻所有的未知量,他包含了相机位姿和m个路标:
,同时k时刻所有的观测数据为
则:
![](https://img-blog.csdnimg.cn/c3da670a5f094506a99b3ba73a17bd96.jpeg)
第k时刻是,我们希望用过去0到k时刻中的数据来估计现在的状态分布:
![](https://img-blog.csdnimg.cn/dd796f9b7b0244818d02e3c011d46e49.jpeg)
根据贝叶斯法则有:
![](https://img-blog.csdnimg.cn/41738374b64046f8a4d177c48edbd9e7.jpeg)
对于前面非线性优化忘了的,感觉一头雾水。我们可以先从根源了解一下贝叶斯法则:
![](https://img-blog.csdnimg.cn/086c73b230914377832780fa63e7f75b.jpeg)
这时我们先看一下上式子所包含的意义:
![](https://img-blog.csdnimg.cn/2ae5747fd14446b49b5fe4ecf324db16.jpeg)
这里根据贝叶斯公式直观看书上应该简化了,让人很难容易理解,中间应该有一部分。具体我也是参考这个博主
SLAM14讲学习笔记(六)后端(最难一章:卡尔曼滤波器推导、理解以及扩展)
后验:根据0~k时刻所有的数据,来得到当前的状态。
似然:给定了一个先验Xk的情况下,什么观测数据Zk最能符合这个先验“的概率。(由观测方程可得)
先验 :是根据0~k-1时刻的观测数据,推测得知k时刻的先验状态(对于这个,里面的u作为一个传感器数据,其实可以忽略掉它,因为0~k-1时刻的数据不应该包含uk,但是本书里面着重要讲的是视觉SLAM,u应该指的是惯性逻辑单元IMU之类的数据,如果只依靠观测的图像来判断状态的话,忽略掉u就行了)
后验概率 = 似然 * 先验。
以k-1时刻为条件概率展开: ![](https://img-blog.csdnimg.cn/d7ec2de8c31f4b7cada30869cb3ccdd7.jpeg)
全概率公式
我们现在考虑的是渐进式问题,即k时刻的状态与k-1时刻状态有关(马尔科夫性质)。这样我们就可以得到扩展卡尔曼滤波(EKF)为代表的滤波器方法。
当前时刻状态只和上一个时刻有关,右侧(指的是那个积分)第一部分可进一步简化:
![](https://img-blog.csdnimg.cn/30c547715b5d47a7a19b83bae954dc99.jpeg)
这里,由于k时刻状态与k-1之前的无关,所以就简化成只与k-1和 uk有关的形式,与k 时刻的运动方程对应。第二部分可简化为
![](https://img-blog.csdnimg.cn/cec027cf66c1441f831f709f0278715c.jpeg)
先假设状态量都服从高斯分布,扩展卡尔版滤波是非线性的,在此之前我们首先线性的卡尔曼滤波谈起,线性高斯是指运动方程和观测方程可以由线性来描述:
![](https://img-blog.csdnimg.cn/e67f2d504e3846a68669ad9d2221f3e8.jpeg)
并假设这里的噪声服从零均值高斯分布:
![](https://img-blog.csdnimg.cn/0d726c6a7c2d4c3ca7675f05e05a7a0f.jpeg)
考虑随机变量
,另一变量y满足:
![](https://img-blog.csdnimg.cn/76276aa9dd3f4657ac04e838454bb9d9.jpeg)
其中A,b为线性变量的系数矩阵和偏移量, w为噪声项,为零均值的高斯分布
。
![](https://img-blog.csdnimg.cn/e8e3999774f74456a260fe9352493fcc.jpeg)
现在,利用马尔可夫性,假设我们知道了k -1时刻的后验(在k-1时刻看来)状态估计ag-1及其协方差P-1,现在要根据k时刻的输入和观测数据,确定x的后验分布。为区分推导中的先验和后验,
以上帽子cx。表示后验,以下帽子c表示先验分布,
卡尔曼滤波器第一步,通过运动方程确定
的先验分布(线性):
![](https://img-blog.csdnimg.cn/9ea7fa87c6724d7d9d76ffc6448d7687.jpeg)
这一步称为预测,它显示了如何从上一个时刻的状态,根据输入信息(但有噪声)推断当前时刻的状态分布,这个分布也就是先验。记:
![](https://img-blog.csdnimg.cn/269eb869d6be444a826b18afec0bfa56.jpeg)
由观测我们可以计算在某个状态改下应该产生怎样的观测数据:
![](https://img-blog.csdnimg.cn/055896f9f94c4d6da339fcaf9fdb3620.jpeg)
此时我们根据公式来推出后验,假设后验的概率分布为
,则:
![](https://img-blog.csdnimg.cn/d593dc52c8c34dab8b7fb4e34754ed20.jpeg)
已知等式两侧都是高斯分布,那么只需比较指数分布,无需理会前面的因子部分。 (由附录A.1)
![](https://img-blog.csdnimg.cn/a8efa7b6d0c1414696d4739261a1f9c3.png)
现在我们将指数部分展开,有:
![](https://img-blog.csdnimg.cn/6f9865d69f8b44328ce85626a758a9d8.jpeg)
1.这时突然出现
和 ,公式太多会有点分不清楚了:
(遗留问题)
2.这里我们捋一下怎么推导过来的,第一次我也没怎么看懂。
可以表示任意状态,我们在前面定义了路标和位姿,在k时刻这个状态是服从高斯分布的。
为它的均值(这里表示后验)
为它的协方差(后验)。
然后对公式进一步推导:
![](https://img-blog.csdnimg.cn/c1de1804ae9044a883dec3261b036356.jpeg)
现在我们整理一次项和二次项,对于二次系数我们可得到:
![](https://img-blog.csdnimg.cn/d013f1ce59214b9c8eac4fa3e3fee5ff.jpeg)
该式给出了协方差的计算过程。为了便于后面列写式子,定义一个中间变量:
![](https://img-blog.csdnimg.cn/f12284532e454990a94c7a5cbdd04de0.jpeg)
![](https://img-blog.csdnimg.cn/6b7942c6fec54904ba9489afa539f9c0.jpeg)
于是就有:
![](https://img-blog.csdnimg.cn/f31e049375cf424f9262c21afe9c5630.jpeg)
同理比较一次项系数,有:
![](https://img-blog.csdnimg.cn/d6c4a434bd5f4f4bba9c9ee84a30ff1e.png)
整理(取系数并转置)得
![](https://img-blog.csdnimg.cn/5c156ded90ae4468baf7d36bba395cbc.jpeg)
在整理得到:
![](https://img-blog.csdnimg.cn/9bc29e0f9d9a4f66850dc0671d5d87bf.jpeg)
此时我们就得到了后验均值的表达。根据书上我们再总结一下:
1.预测:
![](https://img-blog.csdnimg.cn/707eb309e5c144a596ebbff10b33381c.png)
2.更新,先计算K,又称为卡尔曼增益:
![](https://img-blog.csdnimg.cn/29c90d1288174a058b1256c21c23890e.png)
然后计算后验概率分布:
![](https://img-blog.csdnimg.cn/35e2b1dde7c14f2b8a09541ef0f5edcf.png)
至此我们推导了经典的卡尔曼滤波器的整个过程。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)