正版 机器人感知:因子图在SLAM中的应用 (美)Frank Dellaert,(

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 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 非线性因子图的后验概率推断37
2.3 线性化38
2.4 二乘问题的直接求解方法 40
2.5 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 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

弗兰克·德尔阿特，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。

迈克尔·克斯，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。

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。

"Factor graphs provide a framework for thinking about perception and sensor fusion problems in both Robotics and Computer Vision. We wrote this article to provide a tutorial introduction to factor graphs and how insight in their (sparse) structure leads to efficient sensor fusion algorithms. In addition, we survey several applications in which factor graphs have been used with great success to enable autonomy on the road, in the air, and even underwater. We could not be happier that a Chinese translation of our text will now be available and enable many more people to discover and use factor graphs in their own robotics projects.Frank & Michael近年来增强现实和自动驾驶异常火热，其中的关键技术SLAM 也因而备受关注。SLAM 里的一个核心问题是如何对设备的位姿和构建的地图进行高效优化，而基于因子图的优化是其中常用的方法。本书的作者Frank Dellaert 和Michael Kaess 在SLAM 领域的造诣很好深厚，此书是他们师生二人多年来在因子图上的研究成果的汇集和整理，讲解系统深入，翻译也很到位，是一本很好好的SLAM 方面的书籍。浙江大学章国锋教授“Factor Graphs for Robot Perception” has been meticulously translated by two experts on SLAM technology, Fuqiang Liu of Harbin Engineering University and Jing Dong of the Georgia Institute of Technology. Fuqiang Liu is the founder of the world’s largest think tank on SLAM technology, where he regularly leads SLAM discussions in both English and Chinese. Jing Dong is currently conducting SLAM research led by one of the book’s original English authors, Dr. Frank Dellaert. I highly recommend this translated version of “Factor Graphs for Robot Perception”.MITWandaFrank Dellaert 与Michael Kaess 是机器人行业大家，他们两位在机器人感知方向有多年经验及很深的理解。本书中，Frank 与Michael 深入浅出地介绍了因子图数学定义、推断方法，以及真实环境中机器人上的各种应用。本书对于希望深入研究SLAM 技术的专业人士很有帮助。对无人驾驶应用感兴趣的读者可以深入了解本书中关于因子图在惯性导航及地图构建方面的应用范例。PerceptIn 创始人，《靠前本无人驾驶技术书》作者刘少山随着ROS 操作系统的大范围普及，SLAM 这个在学界广泛探讨的话题逐渐褪去神秘面纱，呈现在公众视野中，但是其复杂性往往令初学者望而却步。Frank Dellaert 和Michael Kaess 两位大师是促成SLAM 从经典卡尔曼滤波形式向图优化模型转变的关键人物。本书从因子图的角度出发，以深入浅出的直观概念阐述了图优化模型中的非线性优化算法、稀疏矩阵表示等问题，提供给初学者一把打开SLAM 大门的金钥匙。译者以广博的知识和丰富的经验，将原文的内涵和精髓准确地表达出来，对于靠前机器人领域的科技人员和相关从业人员都有很好巨大的帮助和推动作用。国防科技大学王维博士SLAM 是移动机器人应用中一项至关重要的技术，也是机器人领域一个经典而古老的问题，对此进行的研究已超过30 年，可以说理论已趋于成熟。但在实际应用中，仍难免会遇到各种意想不到的问题。深入理解SLAM 背后的数学原理，是分析、解决这些问题的必经之路。本书深入介绍了SLAM 背后的诸多概率、优化方面的原理和算法，兼具理论和实践价值，值得一读。百度资深研发工程师刘浩敏本书对SLAM 算法相关的理论和数学基础工具有很好详细的讲解，通俗易懂，且覆盖全面，全书讲授的思路连贯并且具备很好的深度，很好适合对SLAM 算法有一定基础，希望深入学习理论并开展研究工作的同学。整书翻译流畅，逻辑关系清晰，是值得阅读的佳作。阿里巴巴天猫事业部互动技术专家蒋佳忆智能机器人时代的到来，离不开核心技术的支撑，而SLAM 就是其中之一。它关系到机器人运动时“在哪里，去哪里，如何去”，是机器人运动智能的关键。本书聚焦的基于因子图对机器人位置和姿态及地图构建的高效优化有很好强的科研和应用价值。本书讲解系统深入，是SLAM 领域难得的一本好书。北京理工大学智能机器人研究所孔祥战博士"

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。

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领域的造诣很好深厚，此书是他们在因子图上的研究成果的汇集和整理，是一本很好好的SLAM方面的书籍。