第一部分 移动机器人同时定位与地图构建基础 2
第1章 绪论 2
1.1 总览 2
1.2 问题分类 6
1.2.1 空间几何基础 7
1.2.2 环境的动态与结构 8
1.2.3 机器人传感器 11
1.2.4 机器人的传动装置 13
1.2.5 先验知识 13
1.3 历史回顾 14
1.4 本书的组织 21
参考文献 24
第2章 机器人基础 29
2.1 引言 29
2.2 将机械变为机器人：传动装置 31
2.2.1 步行机器人 32
2.2.2 飞行机器人 33
2.2.3 水下机器人 34
2.2.4 轮式机器人 34
2.3 机器人看到的世界是什么样的？传感器 36
2.4 本体感受传感器：内部传感器 37
2.5 外界传感器：接触或近距离传感器 39
2.6 外界传感器：单方向测距仪 40
2.6.1 基于三角测量的接近传感器 41
2.6.2 脉冲信号飞行时间（P-ToF） 41
2.6.3 连续波飞行时间（C-ToF） 43
2.6.4 小结 44
2.7 外界传感器：二维测距仪 45
2.8 外界传感器：三维距离传感器 48
2.9 外界传感器：纯距离传感器 49
2.10 外界传感器：图像传感器 50
2.11 外界传感器：空气分析传感器 51
2.12 环境传感器：绝对位置设备 51
2.13 能量供应 54
参考文献 55
第3章 概率论基础 60
3.1 引言 61
3.2 历史回顾 64
3.3 概率空间 69
3.4 随机变量 73
3.5 不确定性的形态 77
3.5.1 离散随机变量不确定性的形状 77
3.5.2 连续随机变量不确定性的形状 78
3.5.3 任何随机变量不确定性的形状：可能性 79
3.6 不确定性的总结 81
3.6.1 随机变量的矩 81
3.6.2 矩的一些重要定理 84
3.6.3 随机变量的信息和熵 86
3.7 多变量概率 87
3.7.1 联合概率和边缘化 87
3.7.2 相互独立和协方差 89
3.8 随机变量的变换 91
3.8.1 预备知识 91
3.8.2 两个连续的独立随机变量的和 93
3.8.3 连续独立随机变量的线性组合 93
3.8.4 连续独立随机变量的乘积与除法 94
3.8.5 一维连续随机变量的线性变换 94
3.8.6 多元随机变量的线性变换 94
3.8.7 卡方分布的特例 95
3.8.8 任意变换的近似 95
3.9 条件概率 97
3.10 图示模型 99
3.10.1 定义和分类 99
3.10.2 因式分解 101
3.10.3 贝叶斯网络的知识和推论 101
3.10.4 在BN和D-分离中的条件独立 102
3.10.5 边缘分布 103
3.10.6 相关性图 104
附注 106
参考文献 108
第4章 统计学基础 111
4.1 引言 112
4.2 概率论和统计学之间的内容 113
4.2.1 几近收敛或者依某种概率收敛 114
4.2.2 依概率或测度收敛 114
4.2.3 依分布收敛 115
4.2.4 依范数或Q-范数收敛 115
4.2.5 概率收敛和极限定理 116
4.3 估计量 121
4.4 估计量属性：样本的使用 122
4.4.1 完全性 122
4.4.2 充分性 123
4.4.3 鲁棒性 124
4.5 估计量的性质：收敛到实际值 124
4.5.1 一致性 124
4.5.2 偏差性 125
4.5.3 风险 126
4.6 估计量的属性：估计量的不确定性（方差） 126
4.6.1 最小方差 127
4.6.2 有效性 127
4.7 构建估计量：经典的估计量 127
4.7.1 有效估计量 128
4.7.2 最小方差，无偏估计量 128
4.7.3 最佳线性无偏估计量 129
4.7.4 最大似然估计量 129
4.7.5 最小二乘估计量 130
4.7.6 矩方法构建估计量 131
4.8 构建估计量：贝叶斯估计量 132
4.8.1 最小均方差估计 133
4.8.2 最大后验估计量 134
4.8.3 中间值估计量 135
4.9 估计动态过程 135
参考文献 139
第二部分 移动机器人定位 144
第5章 机器人移动模型 144
5.1 引言 144
5.2 匀速模型 147
5.2.1 运动学方程 147
5.2.2 概率运动模型 149
5.2.3 应用举例 152
5.2.4 三维情况的扩展 154
5.3 基于距离与方位的完整模型 155
5.3.1 运动学方程 155
5.3.2 概率运动模型 157
5.4 带有两个轮式编码器的非完整模型 160
5.4.1 运动学方程 160
5.4.2 概率运动模型 163
5.5 带有角编码器和轮式编码器的非完整模型 165
5.5.1 运动学方程 165
5.5.2 概率运动模型 169
5.6 用于商业机器人的黑箱不确定性模型 171
5.6.1 运动学方程 171
5.6.2 概率运动模型 172
5.7 备选模型：非运动运动模型 174
5.7.1 运动学方程 174
5.7.2 概率运动模型 175
5.8 基本运动模型的改进 176
附注 177
参考文献 178
第6章 传感器模型 179
6.1 引言 179
6.2 光束模型与光线投射 181
6.3 特征传感器：概率模型 184
6.4 特征传感器：数据关联 190
6.4.1 最近邻DA算法 192
6.4.2 联合兼容性分支定界DA算法 194
6.4.3 马氏距离与匹配的可能性 196
6.5 “地图”传感器 197
6.5.1 栅格地图匹配 198
6.5.2 点地图匹配 202
附注 203
参考文献 205
第7章 基于递归贝叶斯滤波器的移动机器人定位方法 207
7.1 引言 207
7.2 定位处理的参数化滤波器 211
7.2.1 卡尔曼滤波器 212
7.2.2 扩展卡尔曼滤波器 228
7.2.3 无迹变换和无迹卡尔曼滤波 233
7.3 定位处理的非参数滤波方法 239
7.3.1 离散贝叶斯滤波器 239
7.3.2 直方图滤波器 240
7.3.3 粒子滤波器 244
参考文献 255
第8章 移动机器人地图的类型和结构 259
8.1 引言 259
8.2 移动机器人空间环境的直观表示 260
8.2.1 栅格地图 261
8.2.2 基于点的地图 263
8.2.3 自由空间地图 264
8.2.4 特征或路标地图 265
8.2.5 关系地图和拓扑地图 267
8.2.6 象征地图和语义地图 270
8.3 栅格地图的贝叶斯估计 272
8.4 路标地图的贝叶斯估计：一般方法 277
8.5 路标地图的贝叶斯估计：距离-方位传感器 281
8.5.1 逆传感器模型 281
8.5.2 递归贝叶斯估计 282
8.6 路标地图的贝叶斯估计：纯方位传感器 283
8.6.1 逆向传感器模型 284
8.6.2 递归贝叶斯估计 287
8.7 路标地图的贝叶斯估计：距离传感器 288
8.7.1 传感器逆模型 289
8.7.2 递推贝叶斯估计 291
8.8 其他地图构建算法 291
8.8.1 点地图 292
8.8.2 连续马尔可夫随机场 292
8.8.3 位姿约束地图 294
参考文献 295
第9章 SLAM的贝叶斯方法 301
9.1 引言 301
9.2 在线SLAM：经典的EKF解决方法 308
9.2.1 算法描述 311
9.2.2 运算复杂性 317
9.2.3 不确定和终止环 318
9.3 完整SLAM：基本RBPF解决方案 321
9.3.1 算法描述：RBPF标准协议 324
9.3.2 批判性分析 326
9.4 完整SLAM：强化RBPF解决方案 328
9.4.1 关于重要性权重 329
9.4.2 带地标的地图最佳建议分布（“快速SLAM2.0”） 331
9.4.3 其他地图的最优可能分布 334
参考文献 336
第10章 先进的同步定位与地图构建技术 340
10.1 引言 341
10.2 估计作为一个最优化问题：状态空间的拓扑 344
10.2.1 背景 344
10.2.2 状态空间拓扑问题的一个优雅解决方法：流形的最优化 348
10.2.3 一个实际的例子 349
10.3 图形SLAM：绪论 352
10.3.1 结构概述 352
10.3.2 简要的历史回顾 356
10.4 图形SLAM：流形上的最优化 357
10.4.1 流形上的稀疏非线性最小二乘 357
10.4.2 有效地构建稀疏线性系统 361
10.4.3 相关方法和最近进展 366
10.5 带BA的可视化SLAM 368
10.5.1 光束平差法问题的结构 370
10.5.2 对抗外界异常值的稳健性 377
10.5.3 BA中的其他先进技术 381
10.6 面向全寿命的SLAM 382
10.6.1 稳定性与可塑性 383
10.6.2 世界的巨大和复杂 384
附注 387
参考文献 389
附录A常见的欧几里得组SE （2）和SE （3）几何学运算 395
附录B重采样算法 410
附录C伪随机数的产生 414
附录D SO （n）和SE （n）的流形图 425
附录E基本微积分和代数概念 440
附录F符号表格 451
参考文献 453