标签分类 热门分类
当前位置:首页 > 其它计算机电子书 > AI机器人电子书网盘下载
概率机器人 概率机器人
qq_2720643

qq_2720643 提供上传

资源
12
粉丝
42
喜欢
61
评论
12

    概率机器人 PDF 高清版

    AI机器人电子书
    • 发布时间:

    给大家带来的一篇关于AI机器人相关的电子书资源,介绍了关于机器人方面的内容,本书是由机械工业出版社出版,格式为PDF,资源大小63.1 MB,塞巴斯蒂安编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.2,更多相关的学习资源可以参阅 其它计算机电子书、等栏目。

  • 概率机器人 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1xZyCOH8aSSpeQb3gjSaPA
  • 分享码:gaf5
  • 概率机器人

    概率机器人

    内容介绍

    《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。

    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

    上一篇:云原生分布式存储基石:etcd深入解析  下一篇:iOS移动开发从入门到精通

    展开 +

    收起 -

     
    AI机器人 相关电子书
    关于AI机器人的学习笔记
    网友NO.717077

    不到20行代码用Python做一个智能聊天机器人

    伴随着自然语言技术和机器学习技术的发展,越来越多的有意思的自然语言小项目呈现在大家的眼前,聊天机器人就是其中最典型的应用,今天小编就带领大家用不到20行代码,运用两种方式搭建属于自己的聊天机器人。 1.神器wxpy库 首先,小编先向大家介绍一下本次运用到的python库,本次项目主要运用到的库有wxpy和chatterbot。 wxpy是在 itchat库 的基础上,通过大量接口优化,让模块变得简单易用,并进行了功能上的扩展。什么是接口优化呢,简单来说就是用户直接调用函数,并输入几个参数,就可以使用了,不需要关心函数的底层实现。 Chatterbot是一个基于机器学习的聊天机器人引擎,基于python编写而成,它可以自可以从已有的对话中进行记忆匹配。 Wxpy因为采用大量的接口集成,所以在使用的时候非常方便,下图是简单的wxpy使用,通过进入交互式界面,可以与指定的好友进行交谈。代码及效果如下图所示: 上述的代码中print_msg函数采用了wxpy库的装饰器,装饰器在这里的作用可以查阅其源码进行查看,主要是用于注册消息的配置。例如print_msg函数,可以将对方的回复消息进行输出。而在手机微信上我们同样看到了双方之间交流,所以从某个层面上来讲,wxpy就是PC端的微信。 2.图灵聊天机器人 下面我们将会实现第一个聊天……

    网友NO.887736

    python控制nao机器人身体动作实例详解

    本文实例为大家分享了python控制nao机器人身体动作的具体代码,供大家参考,具体内容如下 今天读的代码,顺便写了出来,与文档的对比,差不多。 import sysimport motionimport almathimport naoqi from ALProxy def StiffnessOn(proxy): pName="Body" pStiffnessLists pTime=1.0 proxy.stiffnessInterpolation(pName,pStiffnessLists,pTime) def main(robotIP): try: motionProxy=ALProxy("ALMotion",robotIP,9559) except Exception,e: print:"could not create a proxy!" print:"error is ",e try: postureProxy=ALProxy("ALRobotPosture",robotIP,9559) except Exception,e: print:"could not create a proxy!" print:"error is ",e StiffnessOn(motionProxy) postureProxy.goToPosture("StandInit",0.5) space=motion.FRAME_ROBOT coef=0.5 times=[coef,2.0*coef,3.0*coef,4.0*coef] isAbsolute=False dy=+0.06 dz=-0.03 dwx==+0.30 effector="Torso" path=[ [0.0,-dy,dz,-dwx,0.0,0.0], [0.0,0.0,0.0,0.0,0.0,0.0], [0.0,+dy,dz,+dwx,0.0,0.0], [0.0,0.0,0.0,0.0,0.0,0.0] ] axisMask=almath.AXIS_MASK_ALL motionProxy.post.postionInterpolation(effector,space,path,times,isAbsolute) #motion of arms with block process axisMask=almath.AXIS_MASK_VEL times=[1.0*coef,2.0*coef] dy=+0.03 effecor="RArm" path=[ [0.0,dy,0.0,0.0,0.0,0.0], [0.0,0.0,0.0,0.0,0.0,0.0] ] motionProxy.positionInterpolation(effector,space,path,axisMask,times,inAbsolute) if __name__=="__main__": robotIP="127.0.0.1" if len(sys.argv)=1: print"useage default robotIP" else: robotIP=sys.arv[1] main(robotIP) 实例二,控制左右胳膊……

    网友NO.635801

    python 调用钉钉机器人的方法

    以text格式的消息为例: (只需修改content后的内容) Import jsonImport requestsurl='https://oapi.dingtalk.com/robot/send?access_token=xxxxxxxxxxxxxx'HEADERS={"Content-Type":"application/json;charset=utf-8"}String_textMsg={"msgtype":"text","text":{"content":'kind:%s\naverage:%f\nmedian:%f\nQ10:%f\nQ90:%f'%("Trans",average,median,Q10,Q90)}}String_textMsg=json.dumps(String_textMsg)res=requests.post(url,data=String_textMsg,headers=HEADERS)print(res.text) 以上这篇python 调用钉钉机器人的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持码农之家。 ……

    网友NO.279276

    python微信聊天机器人改进版(定时或触发抓取天气预报、励志语录等,向好友推送)

    最近想着做一个微信机器人,主要想要实现能够每天定时推送天气预报或励志语录,励志语录要每天有自动更新,定时或当有好友回复时,能够随机推送不同的内容。于是开始了分析思路。博主是采用了多线程群发,因为微信对频繁发送消息过快还会出现发送失败的问题,因此还要加入time.sleep(1),当然时间根据自身情况自己定咯。本想把接入写诗机器人,想想自己的渣电脑于是便放弃了,感兴趣的可以尝试一下。做完会有不少收获希望对你有帮助。 (1)我们要找个每天定时更新天气预报的网站,和一个更新励志语录的网站。当然如果你想更新其他内容,相信高智商的你这些都是小意思啦。博主是随便找了2个网站进行抓取。 第一步:抓取某网站天气预报信息,为我所用,因温度气候和生活指数在两个页面,于是将2个页面的数据抓取并进行整合: 这里抓取第一个页面内容,为温度,风向,日期,随便把第二天天气的也一并抓取了: def get_content(self, html_str): html = etree.HTML(html_str) weather_ts = html.xpath("//div[@id='7d']/ul") today_w = '' tomorrow_w = '' for weather_t in weather_ts: today_w += weather_t.xpath("./li[1]/h1/text()")[0] + ' ' today_w += weather_t.xpath("./li[1]/p[1]/text()")[0] + ' ' today_w += weather_t.xpath("./li[1]/p[2]/i/text()")[0] + ' ' today_w += '风向' + weather_t.xpath("./li[1]/……

    Copyright 2018-2020 xz577.com 码农之家

    电子书资源由网友、会员提供上传,本站记录提供者的基本信息及资源来路

    鸣谢: “ 码小辫 ” 公众号提供回调API服务、“ 脚本CDN ”提供网站加速(本站寻求更多赞助支持)

    版权投诉 / 书籍推广 / 赞助:520161757@qq.com

    上传资源(网友、会员均可提供)

    查看最新会员资料及资源信息