《机器人感知因子图在SLAM中的应用》[24M]百度网盘|亲测有效|pdf下载

●章 引言3
1.1 机器人领域中的推断问题22
1.2 概率建模23
1.3 生成模型的贝叶斯网络24
1.4 指定概率密度函数26
1.5 在贝叶斯网络中进行模拟 27
1.6 大后验概率推断28
1.7 因子图推断30
1.8 因子图支持的计算32
1.9 路线图33
1.10 文献评论34
第2章 平滑与地图构建17
2.1 SLAM中的因子图36
2.2 非线性因子图的大后验概率推断37
2.3 线性化38
2.4 小二乘问题的直接求解方法 40
2.5 大后验概率推断的非线性优化42
2.5.1 梯度下降法43
2.5.2 高斯？牛顿法43
2.5.3 列文伯格？马夸尔特算法43
2.5.4 Dogleg小化法45
2.6 文献评论46
第3章 探索稀疏性31
3.1 关于稀疏性50
3.1.1 启发性的例子50
3.1.2 稀疏雅可比矩阵及其因子图51
3.1.3 稀疏信息矩阵及其图表示52
3.2 消元算法 54
3.3 利用变量消元进行稀疏矩阵分解56
3.3.1 稀疏高斯因子57
3.3.2 生成乘积因子57
3.3.3 利用部分QR分解进行变量消元 58
3.3.4 多波前QR分解59
3.4 稀疏乔里斯基分解与贝叶斯网络61
3.4.1 线性高斯条件概率密度61
3.4.2 反向替代求解贝叶斯网络62
3.5 讨论62
3.6 文献评论63
第4章 消元顺序49
4.1 消元的时间复杂度68
4.2 变量顺序的影响69
4.3 填充的概念72
4.4 启发式排序73
4.4.1 小度排序73
4.4.2 嵌套分割排序73
4.5 机器人领域中的启发式排序75
4.6 嵌套分割和SLAM78
4.7 文献评论80
第5章 增量平滑与地图构建65
5.1 增量推断84
5.2 更新矩阵分解 86
5.3 卡尔曼滤波及平滑88
5.3.1 边缘化89
5.3.2 固定滞后平滑与滤波90
5.4 非线性滤波及平滑92
5.4.1 贝叶斯树93
5.4.2 更新贝叶斯树94
5.4.3 增量平滑与地图构建 97
5.5 文献评论99
第6章 流形上的优化83
6.1 姿态与航向估计102
6.1.1 增量旋转103
6.1.2 指数映射104
6.1.3 局部坐标104
6.1.4 结合朝向信息106
6.1.5 平面旋转107
6.2 位姿SLAM108
6.2.1 位姿表示109
6.2.2 局部位姿坐标109
6.2.3 位姿的优化110
6.2.4 位姿SLAM111
6.3 李群及任意流形上的优化112
6.3.1 矩阵李群112
6.3.2 一般流形与归约113
6.3.3 归约和李群114
文献评论115
第7章 应用99
7.1 惯性导航118
7.2 稠密三维地图构建120
7.3 现场机器人学123
7.4 鲁棒估计与非高斯推断126
7.5 长期运行和稀疏化127
7.6 大规模及分布式SLAM128
7.7 总结132
参考文献117
附录 A 多波前乔里斯基分解139
附录 B 李群及其他流形141