掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
機器人感知:因子圖在SLAM中的應(yīng)用 版權(quán)信息
- ISBN：9787121338113
- 條形碼：9787121338113 ; 978-7-121-33811-3
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
機器人感知:因子圖在SLAM中的應(yīng)用 本書特色
適讀人群 ：人工智能領(lǐng)域研究人員、機器人、SLAM研究人員。 本書作者是促成SLAM從經(jīng)典卡爾曼濾波形式向圖優(yōu)化模型轉(zhuǎn)變的關(guān)鍵人物，在SLAM領(lǐng)域的造詣非常深厚，此書是他們在因子圖上的研究成果的匯集和整理，是一本非常好的SLAM方面的書籍。
機器人感知:因子圖在SLAM中的應(yīng)用 內(nèi)容簡介
本書介紹在人工智能時代，用來建模和求解大規(guī)模機器人推斷問題所使用的因子圖。重點介紹解決機器人面臨的大規(guī)模推理問題，以及部署機器人的相關(guān)知識。因子圖相關(guān)知識（概率圖模型的一種）是機器人感知中至關(guān)重要的一環(huán)，而機器人感知是機器人領(lǐng)域很難的技術(shù)點。希望本書能給讀者帶來啟發(fā)。
機器人感知:因子圖在SLAM中的應(yīng)用 目錄
第1 章引言3
1.1 機器人領(lǐng)域中的推斷問題 4
1.2 概率建模 5
1.3 生成模型的貝葉斯網(wǎng)絡(luò) 6
1.4 指定概率密度函數(shù) 8
1.5 在貝葉斯網(wǎng)絡(luò)中進行模擬 9
1.6 *大后驗概率推斷 10
1.7 因子圖推斷 12
1.8 因子圖支持的計算 14
1.9 路線圖 15
1.10 文獻評論 16
第2 章平滑與地圖構(gòu)建17
2.1 SLAM 中的因子圖 18
2.2 非線性因子圖的*大后驗概率推斷 19
2.3 線性化 20
2.4 *小二乘問題的直接求解方法 22
機器人感知：因子圖在SLAM 中的應(yīng)用
2.5 *大后驗概率推斷的非線性優(yōu)化 24
2.5.1 梯度下降法 25
2.5.2 高斯–牛頓法 25
2.5.3 列文伯格–馬夸爾特算法 25
2.5.4 Dogleg *小化法 27
2.6 文獻評論 28
第3 章探索稀疏性31
3.1 關(guān)于稀疏性 32
3.1.1 啟發(fā)性的例子 32
3.1.2 稀疏雅可比矩陣及其因子圖 33
3.1.3 稀疏信息矩陣及其圖表示 34
3.2 消元算法 36
3.3 利用變量消元進行稀疏矩陣分解 38
3.3.1 稀疏高斯因子 39
3.3.2 生成乘積因子 39
3.3.3 利用部分QR 分解進行變量消元 40
3.3.4 多波前QR 分解 41
3.4 稀疏喬里斯基分解與貝葉斯網(wǎng)絡(luò) 43
3.4.1 線性高斯條件概率密度 43
3.4.2 反向替代求解貝葉斯網(wǎng)絡(luò) 44
3.5 討論 44
3.6 文獻評論 45
第4 章消元順序49
4.1 消元的時間復(fù)雜度 50
4.2 變量順序的影響 51
4.3 填充的概念 54
4.4 啟發(fā)式排序 55
4.4.1 *小度排序 55
4.4.2 嵌套分割排序 55
4.5 機器人領(lǐng)域中的啟發(fā)式排序 57
4.6 嵌套分割和SLAM 60
4.7 文獻評論 62
第5 章增量平滑與地圖構(gòu)建65
5.1 增量推斷 66
5.2 更新矩陣分解 68
5.3 卡爾曼濾波及平滑 70
5.3.1 邊緣化 71
5.3.2 固定滯后平滑與濾波 72
5.4 非線性濾波及平滑 74
5.4.1 貝葉斯樹 75
5.4.2 更新貝葉斯樹 76
5.4.3 增量平滑與地圖構(gòu)建 79
5.5 文獻評論 81
第6 章流形上的優(yōu)化83
6.1 姿態(tài)與航向估計 84
6.1.1 增量旋轉(zhuǎn) 85
6.1.2 指數(shù)映射 86
6.1.3 局部坐標 86
6.1.4 結(jié)合朝向信息 88
6.1.5 平面旋轉(zhuǎn) 89
6.2 位姿SLAM 90
6.2.1 位姿表示 91
6.2.2 局部位姿坐標 91
6.2.3 位姿的優(yōu)化 92
6.2.4 位姿SLAM 93
6.3 李群及任意流形上的優(yōu)化 94
6.3.1 矩陣李群 94
6.3.2 一般流形與歸約 95
6.3.3 歸約和李群 96
6.4 文獻評論 97
第7 章應(yīng)用99
7.1 慣性導(dǎo)航 100
7.2 稠密三維地圖構(gòu)建 102
7.3 現(xiàn)場機器人學(xué) 105
7.4 魯棒估計與非高斯推斷 108
7.5 長期運行和稀疏化 109
7.6 大規(guī)模及分布式SLAM 110
7.7 總結(jié) 114
參考文獻117
附錄A 多波前喬里斯基分解139
附錄B 李群及其他流形141
展開全部
機器人感知:因子圖在SLAM中的應(yīng)用 作者簡介
Frank Dellaert，2001年于卡內(nèi)基梅隆大學(xué)獲博士學(xué)位，現(xiàn)于佐治亞理工學(xué)院交互計算學(xué)院任終身教授。他目前的研究興趣主要集中在機器人與計算機視覺的交叉領(lǐng)域，尤其是用圖模型方法解決大規(guī)模三維重建與地圖構(gòu)建問題。 Michael Kaess，現(xiàn)于卡內(nèi)基梅隆大學(xué)任助理教授。Michael于2008年在佐治亞理工學(xué)院獲博士學(xué)位，之后于麻省理工學(xué)院先后就任博士后與研究員。他目前的研究興趣包括移動機器人智能問題，具體集中在大規(guī)模三維建圖與定位問題中的概率圖模型與線性代數(shù)的聯(lián)系。 譯者簡介 劉富強，泡泡機器人創(chuàng)始人。 董靖，美國佐治亞理工學(xué)院計算機科學(xué)博士，主要研究方向機器人學(xué)。
書友推薦
- >
羅庸西南聯(lián)大授課錄
- >
【精裝繪本】畫給孩子的中國神話
- >
隨園食單
- >
名家?guī)阕x魯迅:朝花夕拾
- >
煙與鏡
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
回憶愛瑪儂
本類暢銷
