《自动驾驶与机器人中的SLAM技术》ch2:基础数学知识

目录

[2.1 几何学](#2.1 几何学)

向量的内积和外积

旋转矩阵

旋转向量

四元数

李群和李代数

[SO(3)上的 BCH 线性近似式](#SO(3)上的 BCH 线性近似式)

[2.2 运动学](#2.2 运动学)

李群视角下的运动学

[SO(3) + t 上的运动学](#SO(3) + t 上的运动学)

线速度和加速度

扰动模型和雅可比矩阵

典型算例:对向量进行旋转

典型算例:旋转的复合

[2.3 滤波器和最优化理论](#2.3 滤波器和最优化理论)

状态估计问题与最小二乘

[KF 卡尔曼滤波(线性系统)](#KF 卡尔曼滤波(线性系统))

[EKF 扩展卡尔曼 (非线性系统)](#EKF 扩展卡尔曼 (非线性系统))

最优化方法和图优化​编辑

优化和滤波


2.1 几何学

向量的内积和外积

旋转矩阵

旋转向量

四元数

三维旋转也可以由单位四元数 表示。注意:单位四元数的逆等于其共轭 。即 任意的旋转都可以由两个互为相反数的四元数表示。

旋转向量和四元数的转换关系如下:

李群和李代数

SO(3)上的 BCH 线性近似式

的括号里面只能是 ,或者 ,或者 。如果是 或者没有括号,表示省略。

2.2 运动学

李群视角下的运动学

SO(3) + t 上的运动学

其中 t 为平移向量。

线速度和加速度

注意:能被各种传感器(车速传感器,轮速计)测量到的速度是车体系速度,

线速度的变换式:

加速度的变换式:

在实际的处理中,由于测量传感器只能测量离散化的值,在精度不高的应用场景中,我们通常会选择忽略后面三项,只保留最简单的转换关系。

扰动模型和雅可比矩阵

典型算例:对向量进行旋转

设扰动 对应的李代数为

进行泰勒展开并保留一阶项:

右扰动:

左扰动:

典型算例:旋转的复合

的一阶线性近似式 (视觉SLAM十四讲,p82):

求导,对 进行右扰动:

其中第 3 行的 ,根据 的一阶线性近似式得:

求导,对 进行右扰动:

其中第 2 行的 ,根据 的一阶线性近似式得:

2.3 滤波器和最优化理论

状态估计问题与最小二乘

注意:这里的运动噪声为 ,观测噪声为 ,后续噪声的符号会变化,但表示的意义不变。

KF 卡尔曼滤波(线性系统)

EKF 扩展卡尔曼 (非线性系统)

矢量函数 点处进行线性化 。 在某一点 进行线性化的意思是:矢量函数 对状态 的雅可比矩阵,代入状态 的具体值。

为运动方程在上一时刻状态 进行线性化得到的雅可比矩阵,即运动方程对状态 的雅可比矩阵,代入上一时刻状态 的具体值:

为观测方程在当前时刻预测状态 进行线性化得到的雅可比矩阵,即观测方程对状态 的雅可比矩阵,代入当前时刻预测状态 的具体值:

这一块内容可以参考《机器人学中的状态估计》p89页,内容如下:

最优化方法和图优化

优化和滤波

相关推荐
kyle~23 分钟前
机器人传感器系统---时间戳对齐
机器人
无难事者若执1 小时前
新手村:逻辑回归-理解03:逻辑回归中的最大似然函数
算法·机器学习·逻辑回归
达柳斯·绍达华·宁1 小时前
自动驾驶04:点云预处理03
人工智能·机器学习·自动驾驶
IT从业者张某某1 小时前
机器学习-04-分类算法-03KNN算法案例
算法·机器学习·分类
补三补四1 小时前
k近邻算法K-Nearest Neighbors(KNN)
人工智能·机器学习
databook2 小时前
线性判别分析(LDA):降维与分类的完美结合
python·机器学习·scikit-learn
硅谷秋水3 小时前
大语言模型智体的综述:方法论、应用和挑战(下)
人工智能·深度学习·机器学习·语言模型·自然语言处理
林泽毅3 小时前
SwanLab Slack通知插件:让AI训练状态同步更及时
深度学习·机器学习·强化学习
Shockang4 小时前
机器学习的一百个概念(5)数据增强
人工智能·机器学习