环境特征以状态表征,状态是所有会对未来产生影响的机器人及其环境的所有方面因素。
状态转移概率,根据条件独立,可得到:
它指出了环境状态作为机器人控制ut的函数是如何随着事件变化的。从得到的概率分布公式,可知机器人的环境是随机的。
测量概率,根据条件独立,可得到:
它指出测量数据zt由环境状态xt产生,将测量认为是状态的有噪声预测。
- 隐马尔可夫模型(HMM)/动态贝叶斯网络(DBN)
状态转移概率和测量概率一起描述机器人及其周围环境的动态随机系统。时刻t的状态随机地依赖t-1时刻的状态和控制;时刻t的测量随机地依赖时刻t的状态。这种事件生成模型称为隐马尔可夫模型或动态贝叶斯网络。
马尔可夫假设: 又称完整状态假设,如果知道当前状态,马尔可夫假设设定过去和未来的数据都是独立的。
置信度(信息状态):反映机器人有关环境状态的内部信息。
机器人状态不能直接测量,必须通过数据中推测,因此要从内部置信度识别出真正的状态。概率机器人通过条件概率分布表示置信度。
置信度分布:是以可获得数据为条件的关于状态变量的后验概率。
状态xt的置信度如下:
这个后验是时刻t下状态xt的概率分布,以过去所有1:t时刻的测量和控制为条件。
在执行完ut之后,综合zt之前计算后验,在概率滤波中,该概率称为预测,表示如下:
**参考书籍:概率机器人
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)