模块 M35 · L7 移动机器人与状态估计 · 必修 · 单页课件
模型预测和传感器观测不一致时,该信谁?
线性高斯KF → 线性化EKF → 采样粒子滤波,本科只要求会算增益与读结果。
内容主体:本科机器人学课程体系(Craig 骨架)中本模块的真实教学规格 | 配套:① 原站点演示 + ② 本模块概念交互台
本模块在 Craig 骨架中的位置 体系定位
全课教学顺序由 Craig Ch1–Ch13 决定;本版硬约束是本科必修不引入 twist / screw / 伴随变换 / 矩阵指数 / 指数积 PoE,现代记号只放在 L9 选修。
学习结果与章节依据 体系原文
要解决的问题:模型预测和传感器观测不一致时,该信谁?
本模块学习结果:线性高斯KF → 线性化EKF → 采样粒子滤波,本科只要求会算增益与读结果。
主干 / 主补充章节(可逐条追溯):
- CHOSET Ch8
其他参照:PR Ch3–4 节选;CORKE Ch6
核心关系式 《Introduction to Robotics and Perception》§4.1
② 把 K = P⁻Hᵀ(HP⁻Hᵀ + R)⁻¹ 画成可调权重:R 大则更信模型,P⁻ 大则更信观测。EKF 只是把 H 换成一阶线性化,粒子滤波则放弃高斯假设改用样本;本科要求会算 K 并读懂结果。
式子用于观察关系,不是某个具体机器人型号的标定结果;② 的读数板会同步列出式子里可观察的中间量。
② 概念台怎么读
卡尔曼增益:模型与观测的加权。卡尔曼增益就是在「模型」和「观测」之间分配信任。
看什么:「接近最优」时增益介于 0 与 1 之间;「过度信任观测」让估计跟着噪声跳;「过度信任模型」则对真实变化反应迟钝。
滑块分别改变 过程噪声 Q、观测噪声 R、使用的增益 K;读数板列出中间量与最终判定。预设「接近最优」等对应最容易出错的几组条件。
先修链 显式 DAG
先修关系写在 curriculum-craig/curriculum.json 的 prereq 字段,44 个模块整体无环、可直接拓扑排序。
编写状态与使用边界 如实标注
使用边界:本套页面按体系逐模块生成「可追溯章节 + 核心关系 + 可交互概念台」。Craig / Choset / Corke / AMR 等是商业教材,本页只登记章节定位与算法事实,不复制章节正文、不把链接或播放器当成课件内容。① 是本站已有真实交互实验台,用作兴趣 / 问题引入,不是本模块专属仿真;② 是教学示意模型,数值用于观察关系,不作为工程计算结果。
自测 · 掌握证据
题目:当观测噪声方差 R → 0 与 R → ∞ 时,K 分别趋近什么?用式子和概念台读数各验证一次。
提示:从 ② 里找证据
先在概念台里复现一组典型条件,再用核心关系式逐项核对读数;能说清「哪个量变了、哪个量没变、为什么」,才算达到本模块的掌握证据。
出处 · 本模块内容来源
- 内容主体
curriculum-craig/curriculum.json与01_本科课程体系大纲_Craig骨架.md中的模块 M35;主干教材为 Craig《Introduction to Robotics》4/e。 - ① 兴趣引入 站点原有 G1 三维实验台
e02.html,通过?embed=topic嵌入模式复用,未改写原页面代码。 - ② 概念演示 本页新增的参数化 SVG 交互台,用于直观呈现本模块核心关系;教学示意模型,不是真实机器人仿真。
- 主干教材 Craig《Introduction to Robotics》4/e 官方目录 ↗ (商业教材,只用章节结构)
- CHOSET Principles of Robot Motion: Theory, Algorithms, and Implementations ↗ 本科主补充
- CORKE Robotics, Vision and Control, 2/e ↗ 本科主补充
- PR Probabilistic Robotics ↗ 节选 / 进阶
本页按 A01 单页课件模式生成,补齐 Craig 骨架体系中尚无课件的模块;19 份新课件独立存放在全新目录,已有 32 份课件、91 模块课件与所有旧版文件均未覆盖。① 需经本地 HTTP 服务加载 ES module 与模型;② 为页内 SVG,离线可用。