基本概念 隨機變量、概率、概率分佈和概率密度函數等的概念 條件概率、聯合分佈、全概率公式、貝葉斯法則 條件概率 兩個隨機變量X，YX，YX，Y的聯合分佈由下式給出： p(x,y)=p(X=x,Y=y) p(x, y) =
本文主要推導高斯分佈（正態分佈）的乘積，以便能更清楚的明白Kalman濾波的最後矯正公式。 Kalman濾波主要分爲兩大步驟： 1.系統狀態轉移估計，2.系統測量矯正； 在第2步中的主要理論依據就是兩個獨立高斯分佈的乘積如何計
本文主要推導兩個高斯分佈的相加結果。在知乎上有個問題：正態分佈隨機變量的和還是正態分佈嗎？ _ 也是本文主要解決的問題。 高斯分佈的概率密度函數： f(x)=12πδe−(x−u)22δ2(1) f(x) = \frac{1}
本文主要推導高斯分佈（正態分佈）的積分，期望E(X)和方差V(X)。 其中主要是方差V(X)的推導，本文介紹3種高斯方差的推導方法。 高斯分佈的概率密度函數： f(x)=12πδe−(x−u)22δ2(1) f(x) = \
https://ww2.mathworks.cn/help/robotics/examples/track-a-car-like-robot-using-particle-filter.html View MATLAB Comma
貝葉斯濾波算法 重要性：大多數計算置信度的通用算法都是由貝葉斯濾波算法給出的。 作用：貝葉斯濾波算法根據上一時刻置信度、測量和控制數據計算置信度分佈。 算法介紹：僞代碼如下圖所示 （1） 貝葉斯濾波算法是遞歸的，時刻t的置信度由
從上一章，我們已經學到，概率機器人學是通過數學上概率的方式描述各種不確定性，進而處理機器人問題的科學。 第二章：遞歸狀態估計，主要介紹以下三個部分： （1）概率的基本概念 （2）機器人的環境交互 （3）貝葉斯濾波 本篇文章只總結概
耐心看下去的前言 首先介紹一下我自己，本人之前算是做過幾年基於機器人比賽的單片機開發，如STM32,89C51等，也積累一定的機器人方面的經驗和知識，同時也擴展了視野。在大學三年級的空閒的幾個月，瞭解到SLAM（同時定位與地圖構建
學完概率的基本知識，書中機器人環境交互的知識教我們如何用概率描述機器人與世界。 下面是本篇文章的知識結構圖： 環境： 擁有內部狀態的動態系統。 機器人與環境： （1）觀測環境：機器人可以通過傳感器獲得環境的相關信息，但是傳感器有
1.1 機器人學中的不確定性 機器人學是一門 通過計算機控制 設備來 感知 和 操作 客觀世界的學科。 簡單理解就是：機器人系統 處於客觀環境中，通過傳感器感知環境，並 通過機械力控制環境。 要完成一定的任務，機器人要能接納客觀環境中存在
大概理解下就是機器人從傳感器數據中推斷出有用的量化信息。