返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 机器人感知 因子图在SLAM中的应用
  • 新华书店正版
    • 作者: (美)弗兰克·德尔阿特(Frank Dellaert),(美)迈克尔·克斯(Michael Kaess)著 | | 刘富强,董靖译
    • 出版社: 电子工业出版社
    • 出版时间:2018-10-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: (美)弗兰克·德尔阿特(Frank Dellaert),(美)迈克尔·克斯(Michael Kaess)著| 刘富强,董靖译
    • 出版社:电子工业出版社
    • 出版时间:2018-10-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2018-10-01
    • 字数:167000
    • 页数:145
    • 开本:16开
    • 装帧:平装
    • 国别/地区:中国
    • 版权提供:电子工业出版社

    机器人感知 因子图在SLAM中的应用

    作  者:(美)弗兰克·德尔阿特(Frank Dellaert),(美)迈克尔·克斯(Michael Kaess) 著 刘富强,董靖 译
    定  价:59
    出 版 社:电子工业出版社
    出版日期:2018年10月01日
    页  数:145
    装  帧:平装
    ISBN:9787121338113
    主编推荐

    本书作者是促成SLAM从经典卡尔曼滤波形式向图优化模型转变的关键人物,在SLAM领域的造诣非常深厚,此书是他们在因子图上的研究成果的汇集和整理,是一本非常好的SLAM方面的书籍。

    内容简介

    本书介绍在人工智能时代,用来建模和求解大规模机器人推断问题所使用的因子图。重点介绍解决机器人面临的大规模推理问题,以及部署机器人的相关知识。因子图相关知识(概率图模型的一种)是机器人感知中至关重要的一环,而机器人感知是机器人领域很难的技术点。希望本书能给读者带来启发。

    作者简介

    "Frank Dellaert,2001年于卡内基梅隆大学获得博士学位,现于佐治亚理工学院交互计算学院任终身教授。他目前的研究兴趣主要集中在机器人与计算机视觉的交叉领域,尤其是用图模型方法解决大规模三维重建与地图构建问题。 Michael Kaess,现于卡内基梅隆大学任助理教授。Michael于2008年在佐治亚理工学院获博士学位,之后于麻省理工学院先后就任博士后与研究员。他目前的研究兴趣包括移动机器人智能问题,具体集中在大规模三维建图与定位问题中的概率图模型与线性代数的联系。 译者简介 刘富强,泡泡机器人创始人。 董靖,美国佐治亚理工学院计算机科学博士,主要研究方向机器人学。 "

    精彩内容

    目录
    第1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 优选后验概率推断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 非线性因子图的优选后验概率推断37
    2.3 线性化38
    2.4 最小二乘问题的直接求解方法 40
    2.5 优选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最小化法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 最小度排序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
    6.4 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

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购