?無(wú)人駕駛是一個(gè)大課題喂击，如何說(shuō)起呢?, 首先因?yàn)?by-wire system，舉個(gè)例子機(jī)器是無(wú)法參與到車輛機(jī)械運(yùn)動(dòng)，動(dòng)力在齒輪間傳遞等控制冻晤。例如如何通過(guò)方向盤控制車輪轉(zhuǎn)向等動(dòng)作漱办，不同可以通過(guò)方向盤和齒輪之間添加電機(jī)这刷，這樣方向盤就無(wú)法直接控制齒輪，而是需要通過(guò)電機(jī)來(lái)控制齒輪娩井，這樣機(jī)器就可以通過(guò) by-wire system 來(lái)參與到對(duì)車輛的控制了暇屋。有了這個(gè)基礎(chǔ)我們才可以進(jìn)行無(wú)人駕駛控制。
首先感知洞辣，車輛通過(guò) GPS 咐刨、HD map lidar 和 camera 進(jìn)行確定自己位置，感知行駛環(huán)境以及車輛自身狀態(tài)屋彪。這一部分有關(guān)感知我隨后會(huì)分享很多內(nèi)容所宰，會(huì)聊到計(jì)算機(jī)視覺，深度學(xué)習(xí)以及當(dāng)下流行目標(biāo)檢測(cè)算法畜挥。接下來(lái)是定位有關(guān)定位仔粥，在無(wú)人駕駛也是使用多種技術(shù)進(jìn)行融合定位，在這部分了解不多蟹但，那就說(shuō)一說(shuō) slam 技術(shù)吧躯泰，隨后路徑規(guī)劃和車輛控制，這一部分也會(huì)聊很多华糖，在這部分會(huì)一邊學(xué)習(xí)一邊整理分享有關(guān)強(qiáng)化學(xué)習(xí)和車輛控制相關(guān)算法吧麦向。
在無(wú)人駕駛中會(huì)用到大量的 sensor 和測(cè)量?jī)x器，通過(guò)他們提供數(shù)據(jù)對(duì)車輛位置和姿態(tài)進(jìn)行估計(jì)客叉。所以我們還是先聊聊貝葉斯濾波和卡爾曼濾波诵竭，了解這些基礎(chǔ)概念话告，會(huì)對(duì)以后了解 slam 和路徑規(guī)劃等技術(shù)有很大幫助。
卡爾曼濾波器(Kalman Filter Optimal Recursive Data Processing Algorithm)
卡爾曼濾波器應(yīng)用廣泛卵慰，特別是在導(dǎo)航中沙郭，之前我一直關(guān)注的 slam 技術(shù)就涉及到卡爾曼濾波器∩雅螅卡爾曼濾波的廣泛應(yīng)用是因?yàn)槲覀兩钪写嬖诖罅坎淮_定性病线。我們?cè)诿枥L系統(tǒng)時(shí)，不確定表現(xiàn)在三個(gè)方面
不存在完美的數(shù)學(xué)模型
系統(tǒng)的擾動(dòng)是不可見也很難建模
測(cè)量傳感器本身存在誤差
在開始分享貝葉斯濾波和卡爾曼濾波鲤嫡，我覺得有必要幫助復(fù)習(xí)一些基礎(chǔ)知識(shí)送挑，這些知識(shí)在隨后連續(xù)隨機(jī)變量的貝葉斯公式推導(dǎo)過(guò)程都會(huì)用到，分別是概率密度暖眼、中心極限定理和正態(tài)分布惕耕，這里內(nèi)容是我個(gè)人在學(xué)習(xí)貝葉斯濾波時(shí)候感覺到重要的知識(shí)點(diǎn)，在開始貝葉斯濾波前先拿出來(lái)和大家分享一下诫肠。
概率密度
概率密度: 離散型的隨機(jī)變量的取值是有限的比較好理解赡突，對(duì)于連續(xù)型隨機(jī)變量來(lái)說(shuō)稍微有點(diǎn)抽象也就不那么好理解，因?yàn)檫B續(xù)隨機(jī)變量的取值有無(wú)限多個(gè)区赵。對(duì)于無(wú)限多個(gè)惭缰，在高等數(shù)學(xué)中就需要用積分思想來(lái)解決。
我們 dx 表示較小的一個(gè)區(qū)間笼才，在這個(gè)區(qū)間上概率比上 dx 來(lái)表示概率密度函數(shù)漱受。對(duì)于這種刻畫，我們將其變?yōu)楹瘮?shù)就可以隨意計(jì)算在一定區(qū)間上的概率骡送，也就是我們熟悉變限積分昂羡。這樣就概率密度函數(shù) f(x) 在正負(fù)無(wú)窮上積分得到 1 。然后再看什么是概率分布函數(shù)摔踱。概率密度函數(shù)通過(guò)一個(gè)小區(qū)間概率來(lái)近似該點(diǎn)的概率虐先，從負(fù)無(wú)窮到 x 對(duì)概率函數(shù)積分也就是求從改點(diǎn)到無(wú)窮的概率函數(shù)和坐標(biāo)軸圍成的面積。
那么我們給這個(gè)函數(shù) F(x)叫分布函數(shù),f(x) 叫概率密度派敷。
中心極限定理
某些事件是由大量相互獨(dú)立的因素所影響蛹批，例如教材發(fā)射炮彈命中目標(biāo)概率會(huì)受到炮彈發(fā)射會(huì)時(shí)風(fēng)速、天氣狀況以及位置等很多因素的影響篮愉。這些因素必須是大量而且需要相互獨(dú)立腐芍，每一個(gè)因素起的作用并不是特別大，也就是每一個(gè)因素起的作用并不是決定性作用试躏。
大量的事件
事件間相互獨(dú)立
大量獨(dú)立同分布的隨機(jī)變量之和的極限分布是正態(tài)分布猪勇。那么我們知道極限含義就是正態(tài)分布，而這里中心又是代表什么意思颠蕴，其實(shí)中心并沒有實(shí)際意義泣刹，也就是說(shuō)極限定理是概率的中心問題助析，這里不要被誤導(dǎo)。
定理 獨(dú)立同分布椅您，
是標(biāo)準(zhǔn)正態(tài)分布貌笨。
正態(tài)分布
注意一下公式分母中的是根號(hào)外面，這個(gè)公式熟練掌握程度也能從側(cè)面反映你對(duì)機(jī)器學(xué)習(xí)一些算法理解程度襟沮。
我們研究一個(gè)分布通常都會(huì)關(guān)心其密度函數(shù)和分布函數(shù)，接下來(lái)我們就嘗試寫一寫其密度函數(shù)昌腰。
密度函數(shù)
正態(tài)分布密度函數(shù)求積分為 1开伏，下面用密度函數(shù)積分為 1 進(jìn)行推導(dǎo)。
分布函數(shù)
正態(tài)分布性質(zhì)
-
是以
為對(duì)稱軸
-
時(shí)
的最大值
-
以 x 軸為漸進(jìn)線遭商，并且在
拐點(diǎn)
-
固定時(shí)固灵，更改
值，左右移動(dòng)
-
標(biāo)準(zhǔn)正態(tài)分布
通常會(huì)把正態(tài)分布化為標(biāo)準(zhǔn)正態(tài)分布仍秤，
標(biāo)準(zhǔn)正態(tài)分布
- 對(duì)稱軸 y 軸，偶函數(shù)
-
密度函數(shù)
-
分布函數(shù)
