新書推薦：
《
小原流花道技法教程
》
售價：HK$
112.7
《
少女映像室 唯美人像摄影从入门到实战
》
售價：HK$
113.9
《
詹姆斯·伍德系列：不负责任的自我：论笑与小说（“美国图书评论奖”入围作品 当代重要文学批评家詹姆斯·伍德对“文学中的笑与喜剧”的精湛研究）
》
售價：HK$
89.7
《
武当内家散手
》
售價：HK$
51.8
《
诛吕：“诸吕之乱”的真相与吕太后时期的权力结构
》
售價：HK$
102.4
《
炙野（全2册）
》
售價：HK$
80.3
《
女人的胜利
》
售價：HK$
57.4
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：HK$
273.7
|
| 編輯推薦： |
|
《概率机器人》是机器人领域的经典之作。作者Sebastian Thrun博士是谷歌自动驾驶汽车之父、X实验室创始人之一。三位作者综合自己深厚的数学理论及算法实践，打通数学理论模型，到实际应用平台路经，让人们顺利应用机器人算法，让机器人更智能。
|
| 內容簡介： |
《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。
|
| 關於作者： |
|
译者：Sebastian Thrun博士，计算机科学家，曾任美国谷歌公司副总裁，是美国谷歌公司X实验室创始人，从事谷歌无人驾驶汽车和谷歌眼镜的研发。他把统计学引入机器人学，开拓了概率机器人学领域，从此概率技术成为机器人学的主流技术并在无数商业领域得到广泛应用。Wolfram Burgard博士，德国弗莱堡大学计算机科学系全职教授，自主智能系统实验室主任，入选欧洲协调委员会人工智能学会会士和美国人工智能学会会士，是戈特弗里德威廉莱布尼茨研究奖获得者，研究领域为人工智能和移动机器人。Dieter Fox博士，美国华盛顿大学计算机科学与工程系教授，机器人学和状态估计实验室主任，入选IEEE会士和美国人工智能学会会士，曾任美国英特尔研究实验室主任，主要研究人工智能、机器人学和概率状态估计。
|
| 目錄：
|
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
|
| 內容試閱：
|
原书前言
本书对概率机器人学这一新兴领域进行了全面的介绍。概率机器人学与感知和控制机器人有关，是机器人学的一个分支。它依赖统计技术去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。近几年，概率技术已经成为机器人算法设计的主导范式之一。本书第一次将这一领域的一些主要技术进行了全面的介绍。
本书专注于算法。本书中的所有算法都是基于一个单一的总体数学基础：贝叶斯理论及其推论贝叶斯滤波。这种统一的数学体系是概率算法的核心。
在写这本书时，我们已经尽可能保持技术细节的完整。每章描写一个或多个主要算法。对每一种算法，我们提供了以下四项内容：①伪码的示例实现;②从基本定理开始的完整的数学推导（使每个算法的不同假设都很清晰）;③实验结果（有助于进一步理解本书中的算法）;④本书中每一个算法优缺点的详细讨论（从一个专业人员的视角）。对每一个不同的算法都进行这样的开发，是一件辛苦的工作。即使跳过数学推导部分（读者常会这样），对于普通读者来说，理解这本书有时还是有困难的。我们希望细心的读者能对本书有深入的理解，因为本书并不是就某一主题进行肤浅的和非数学的阐述。
本书是我们（包括几位作者、我们的学生以及同行）在该领域数十年的研究成果。我们从1999年开始写这本书，本打算用几个月的时间完成这本书。但是，5年过去了，初稿中的内容几乎没有被保留下来的。通过这本书的写作，我们学到的信息和决策理论远比我们当初以为的要多得多。并且，我们学到的大量理论也已经在本书中进行了阐述。
本书是写给学生、研究者和机器人技术从业者的。我们相信，任何人要构建机器人都要开发软件。因此，本书的内容适用于每一位机器人专家。同时，应用统计学专家及与客观世界的传感器数据有关的非机器人学领域的人们，也会对本书感兴趣。为使本书广泛服务于具有不同技术背景的读者，我们力图做到使本书尽可能地自成体系。如果读者具有一些线性代数、概率论和数理统计的基础知识对理解本书内容是非常有帮助的，不过我们还是介绍了一些概率的基本定律的入门知识，并且本书全文避免使用太过先进的数学技术。
本书也可以用于教学。每一章都提供了一些习题和动手实践的项目。将本书用于教学时，每一章都要用一两个课时。有些章节可以跳过或者根据需要重新排序进行讲授;事实上，在我们自己的教学工作中，我们通常从本书的中间部分（第7章）开始教授。我们建议学习本书的同时应根据每章最后的指导亲自动手实践。在机器人技术领域，没有比亲自动手做更重要的了。
尽管我们非常努力，本书中还是会有一些技术错误。有一部分错误在本书第三次印刷时已经更正。我们还会在本书的网站上继续修订，与本书有关的其他内容也会放在网站上。网站网址为www.probabilistic-robotics.org。
希望你喜欢这本书!
Sebastian Thrun Wolfram Burgard Dieter Fox
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
