CH-08 状态估计与感知
轮式底盘可能只有带噪声的位置测量,没有可靠速度;机械臂可能知道关节角,却看不见遮挡后的物体。前面的规划与接触控制都需要当前状态,传感器输出却只覆盖其中一部分。状态估计需要把测量与运动预测结合起来,补充缺失信息,并计算误差会怎样影响反馈与碰撞判断。
先看位置测量如何帮助估计速度,再把这个过程写成观测器与 Kalman 递推。协方差用来记录预测中的不确定性,也决定新测量如何校正状态。随后转向非线性与视觉几何,说明相机观测从哪里来、哪些信息能够恢复,以及错误对应怎样影响估计。
1. 状态观测器
沿直线运动的底盘需要位置和速度反馈,位置传感器却只能提供其中一个量。可以先用动力学预测运动,再利用实际位置与预测位置的差异修正内部状态。观测器把这个过程写成递推计算。
对离散系统,状态转移和测量模型写为
$x_t$ 是内部状态,$u_t$ 是已知输入,$y_t$ 是传感器输出。复制动力学模型并输入相同的 $u_t$,可以模拟状态。初值或模型参数与真实系统不同时,这个模拟仍会逐渐偏离实际运动,因此需要引入测量校正。
观测器把输出差异送回内部模型:
帽子表示估计值,$y_t-H_t\hat x_t$ 是实际输出与预测输出之间的残差,$L_t$ 决定如何用残差修改估计。这里的反馈修正模型内部的状态,并不直接改变真实物理系统。
系统可观测且增益适当时,测量校正可以让初始估计错误逐渐衰减。如果某些状态根本不影响观测,重复测量也无法恢复它们。因此,估计器能重建哪些状态,由动力学与输出之间的关系决定。
在无噪声、模型正确的条件下,可以直接求出误差怎样变化。令 $e_t=\hat x_t-x_t$,把模型方程与观测器相减,得到 $e_{t+1}=(A_t-L_tH_t)e_t$。已知输入项相消,增益通过输出残差改变误差动力学。这种反馈作用于内部估计;物理闭环控制作用于机器人本身,二者的反馈对象不同。
模型与测量在递推中承担不同工作。模型在测量之间传播状态,测量纠正未知初值与累积偏差;动力学还把未直接测到的变量与输出联系起来。只用模型会保留初值与建模误差,只用当前输出则会丢掉这些状态关系。
预测器能解释哪些误差,取决于状态选择。对直线运动的底盘,把位置与速度放进状态后,连续位置测量可以通过运动模型提供速度信息。持续的传感器偏置则需要标定,或作为额外状态估计;零均值噪声模型无法可靠地把它平均掉。
输入的时间对应关系也影响预测。存在明显控制延迟时,预测应使用已经实际作用的输入及其时间戳;最新发出的命令可能还没有影响机器人。
测量与估计必须对应正确时刻。上式用时刻 $t$ 的残差修正下一步估计,后面的 Kalman 写法则先预测当前状态,再用当前测量校正,二者采用不同索引安排。连接传感和控制程序时,要按照这种安排对齐数据;把旧测量当成当前测量会产生持续误差,增益调整无法代替时间对齐。
2. 协方差
随机向量 $X$ 的均值是 $m=E[X]$,协方差定义为
协方差记录误差在各方向上的大小与关联。对角元素是各分量的方差,非对角元素描述分量之间的共同变化;整个矩阵对称且半正定。保留这些关联,才能计算一个变量的测量怎样影响其他变量的估计。
设位置误差为 $e_p$、速度误差为 $e_v$,协方差的三个独立元素分别具有 $\mathrm{m^2}$、$\mathrm{m^2/s}$ 和 $\mathrm{m^2/s^2}$ 的单位。即使初始误差互不相关,下一步位置由 $p+\Delta t\,v$ 产生,也会让位置误差与速度误差相关。矩阵传播保留这种联系,因此一次位置测量能够通过交叉协方差校正速度。若只保留对角线,就会丢掉这部分可用信息。
用均值与协方差描述误差,需要留意分布形状。高斯分布由这两项确定,一般分布却可能具有相同的前两阶统计。例如,机器人可能位于两个对称通道中的任意一个,均值落在中间,但那里未必有很大概率。使用“均值加椭球”的表达时,应检查误差分布是否接近所假设的形状。
2.1 噪声模型
加入过程噪声与测量噪声后,模型成为
$w_t$ 表示没有被确定性动力学解释的扰动,$v_t$ 表示测量误差,$G_t$ 把过程噪声映射到状态空间。经典推导假定两者零均值、时间上不相关,并且彼此不相关:
$\delta_{ts}$ 在 $t=s$ 时为一,否则为零;$Q_t$ 为半正定矩阵,$R_t$ 通常取正定矩阵。已知的确定性输入可以直接保留在均值预测中,不需要把它也当成随机误差。
时间上不相关使新的噪声不会与过去噪声产生交叉协方差。在后面传播误差时,可以分别计算旧误差和新扰动的贡献,再把协方差相加;具有持续相关结构的扰动需要另行建模。零均值描述重复实验中的统计平均,并不要求每次扰动都为零。
递推还通常假设初始估计误差与后续过程、测量噪声不相关。过程噪声描述每一步模型遗漏的扰动,$G$ 决定扰动怎样进入状态。若每个采样区间内有随机但保持不变的加速度 $a_k$,位置—速度模型中 $G=(\Delta t^2/2,\Delta t)^T$,$Q$ 是加速度方差。连续白加速度的离散化会得到另一种过程协方差,因此选矩阵之前需要说明采用哪一种扰动过程。
3. Kalman 滤波
Kalman 滤波在每个测量时刻分成预测和校正两步。记 $\hat x_{t|t-1}$ 为只使用截至 $t-1$ 的测量得到的预测,$\hat x_{t|t}$ 为吸收当前测量后的估计,相应误差协方差为 $P_{t|t-1}$ 与 $P_{t|t}$。
3.1 预测
根据上一时刻的估计,向前传播均值和不确定性:
协方差递推的第一项传播已有估计误差,第二项加入新过程扰动。运动模型既预测均值,也计算不确定性在测量间隔中怎样变化。
3.2 校正
计算预测输出与测量残差,再得到 Kalman 增益:
然后更新
残差必须在测量空间中计算。矩阵 $H_t$ 先把预测状态映射为预测输出,再与测量相减;$K_t$ 则把输出空间中的修正映射回状态空间。
记创新协方差为 $S=HP^-H^T+R$。预测状态在输出空间中的不确定性与测量噪声共同决定它的大小。计算增益时可以解 $SK^T=HP^-$,从而避免显式求逆。
量纲可以帮助检查这两个映射。若位置测量以米为单位,创新也是米,$S$ 是平方米,增益的位置分量无量纲、速度分量具有每秒的单位。因此,同一个位置残差可以同时修改位置和速度;若把毫米测量送进以米建模的程序,量纲检查也能发现接口不一致。
3.3 标量滤波
用单个位置状态演示离散滤波,取 $A=H=G=1$、没有确定性输入,过程噪声和测量噪声保持零均值且互不相关。
第一次观测的先验均值为 $1\,\mathrm m$、方差为 $4\,\mathrm{m^2}$,测量为 $2\,\mathrm m$,测量噪声方差为 $R=1\,\mathrm{m^2}$。于是 $K=4/(4+1)=0.8$,校正均值为 $1+0.8(2-1)=1.8\,\mathrm m$,后验方差为 $(1-0.8)4=0.8\,\mathrm{m^2}$。
第二次观测前,取每步过程噪声方差 $Q=0.2\,\mathrm{m^2}$。预测均值仍为 $1.8\,\mathrm m$,预测方差增至 $0.8+0.2=1\,\mathrm{m^2}$。新测量为 $1.6\,\mathrm m$,$R$ 不变,因而 $K=1/(1+1)=0.5$,后验均值为 $1.7\,\mathrm m$,方差为 $0.5\,\mathrm{m^2}$。两次递推都在预测时加入过程不确定性,再通过测量降低它。

可下载滤波与投影核验脚本。脚本还用 Joseph 形式独立检查后验方差,避免只检查均值曲线。
3.4 位置—速度联合估计
让底盘每秒采样一次,以 $x=(p,v)^T$ 表示位置和速度。采用区间内恒定随机加速度模型,取 $A=\begin{bmatrix}1&1\\0&1\end{bmatrix}$、$G=(0.5,1)^T$、$Q=0.04\,\mathrm{m^2/s^4}$;传感器只测位置,$H=(1,0)$、$R=0.25\,\mathrm{m^2}$。初始均值为 $(0\,\mathrm m,1\,\mathrm{m/s})$,位置方差与速度方差各为一,交叉协方差为零。
预测均值是 $(1,1)^T$,预测协方差为
这里 $AP_0A^T$ 先得到 $\begin{bmatrix}2&1\\1&1\end{bmatrix}$,再加上 $GQG^T=\begin{bmatrix}0.01&0.02\\0.02&0.04\end{bmatrix}$。过程扰动同时改变位置与速度,因而也加入交叉项。若当前位置测量为 $1.2\,\mathrm m$,创新为 $0.2\,\mathrm m$,创新方差为 $2.26\,\mathrm{m^2}$,增益约为 $(0.889381,0.451327)^T$。校正后位置为 $1.177876\,\mathrm m$,速度为 $1.090265\,\mathrm{m/s}$。
Joseph 更新给出的后验协方差约为
位置测量提高了速度估计,并降低速度方差,因为预测中的位置误差与速度误差已经相关。测得的位置略大于预测时,滤波器把一部分差异归因于速度偏低。位置与速度的修正都由完整协方差确定,既保留预测信息,也吸收测量信息。
4. 最小均方估计
增益怎样权衡两种信息,可以从后验均方误差推导。设先验误差为 $\varepsilon=\hat x^- -x$,由于 $y=Hx+v$,后验误差可写为
先验误差和当前测量噪声不相关,后验协方差因此为
对均方误差 $E[e^Te]=\operatorname{tr}P^+$ 关于 $K$ 求导并令其为零,得到
解这个矩阵方程,便得到上一节的 Kalman 增益。预测与测量的权重由各自的不确定性决定;每次更新都选择使后验均方误差最小的线性校正。
推导中关键的一步是 $E[\varepsilon v^T]=0$。先验估计由过去的状态预测和过去的测量组成,而当前测量噪声与过去过程噪声、过去测量噪声均不相关。真实当前状态由过程演化产生,也不包含当前传感器噪声。于是,后验协方差中的交叉项消失,只剩两项对称的误差贡献。如果现实中过程与测量噪声相关,这一步就需要重新处理。
给定噪声二阶统计后,Kalman 滤波给出线性问题中的最小均方误差线性估计。若初始状态与噪声还满足适当的 Gaussian 假设,它进一步成为所有估计器中的最优条件均值估计。非 Gaussian 条件下,线性最优性仍然有用,但不具备后一种更强的保证。
最优增益也可以从误差与创新的关系理解。线性校正后,剩余误差应与创新不相关;否则还可以沿相关方向做线性修正,继续降低均方误差。沿用“估计减真实”的定义,把 $e^+=(I-KH)e^-+Kv$ 与创新配对,得到 $K S=P^-H^T$,与求导结果一致。先验误差或传感噪声的相关关系改变时,最优增益也需要相应调整。
在线性高斯条件下,逆协方差形式还揭示信息如何相加:若 $P^-$、$R$ 可逆,后验精度满足 $(P^+)^{-1}=(P^-)^{-1}+H^TR^{-1}H$。传感器只在它能测到的方向上增加信息;增大观测次数并不保证所有状态都同样确定。实际拟合中若误差带有偏置,均方误差还包含偏置平方;只让协方差数值下降,不能证明估计接近真实状态。
4.1 协方差椭球
把协方差画成椭球,可以观察哪些状态组合更难估计。大特征值对应较不确定的方向,小特征值对应较确定的方向;校正因此会对不同方向产生不同大小的作用。
当 $R$ 非奇异时,还可将增益写为 $K=P^+H^TR^{-1}$。若在合适的测量坐标系中 $R$ 为对角矩阵,残差的第 $i$ 个分量先被相应方差 $\sigma_i^2$ 缩放。噪声较大的传感器,修正作用受到抑制;状态中已经较确定的方向,也不需要随新测量产生很大变化。
若使用 $e^TP^{-1}e=c$ 画等误差椭球,阈值 $c$ 的概率意义需要分布假设。在正确的 $n$ 维高斯模型下,马氏距离平方服从 $n$ 自由度的卡方分布;不应把各轴分别取一倍标准差所得的椭球直接称为固定百分比置信区域。同样,创新可以用 $r^TS^{-1}r$ 做无量纲检查。联合估计例子的值约为 $0.017699$,说明这一次创新相对预测分布较小;单次小创新不能证明模型正确,还需要看多次创新是否带有持续偏置、相关性或异常大值。
5. 扩展 Kalman 滤波
实际过程经常具有光滑的非线性动力学和输出:
线性化 Kalman 滤波可以先选一条满足无噪声动力学的名义轨迹 $x^*(t)$。令 $x=x^*+\delta x$,泰勒展开并利用 $\dot x^*=f(x^*,u,t)$,得到
其中 $F=\partial f/\partial x$、$H=\partial h/\partial x$ 在名义轨迹处求值。误差模型成为线性时变系统,因此可以使用线性滤波的结构。
扩展 Kalman 滤波则把线性化点改成实时估计 $\hat x(t)$。Jacobian 随估计不断更新,不能全部提前计算。预测测量仍可以直接使用完整非线性函数 $\hat y=h(\hat x,t)$,不必为了使用线性化协方差而把所有均值计算也替换为线性模型。
连续时间形式中,状态更新和协方差演化为
EKF 的局部模型依赖当前估计,线性化误差也随之影响校正。估计偏离真实状态较远时,局部模型可能失准,后续校正又可能扩大偏差,最终导致发散。
传感器通常在离散时刻采样,离散 EKF 先用完整非线性转移函数传播均值,在估计处求转移 Jacobian 传播协方差,再计算 $r=y-h(\hat x^-)$,用测量 Jacobian 形成增益。
上面的连续公式采用 Kalman–Bucy 型理想表达,$Q,R$ 描述噪声强度,白噪声不能按普通有限函数理解。实际离散滤波需要根据采样过程与时间间隔换算噪声;直接把连续强度作为每帧方差,会改变校正权重。
用无量纲标量测量 $y=x^2+v$ 可以看出线性化点的影响。先验均值为 $2$、方差为 $0.25$,测量为 $5$、噪声方差为 $0.04$,则预测输出为 $4$、测量 Jacobian 为 $4$,增益约为 $0.247525$,一次更新得到 $2.247525$。正根 $\sqrt5\approx2.236068$,两者略有差别,因为校正使用局部一阶关系,同时保留先验权重。
若初值为零,Jacobian 和常规更新增益都为零,相同测量无法启动这次局部线性校正。测量本身还无法区分正负根,选取正分支需要先验或额外信息。这里既有线性化点的问题,也有观测信息的限制。
6. 可观测性与数值稳定性
能否从测量中区分状态,是滤波之前就需要检查的问题。近乎不可观测的方向通常很难准确估计;完全不影响输出的状态则需要改变测量方式或增加传感器。
对时不变线性系统,可以将多次无噪声输出堆叠,得到可观测矩阵 $\mathcal O=(H^T,(HA)^T,\ldots,(HA^{n-1})^T)^T$;它满列秩时,有限段输出才能唯一确定初态。位置—速度例子中,两次输出给出 $\mathcal O=\begin{bmatrix}1&0\\1&\Delta t\end{bmatrix}$,当 $\Delta t\ne0$ 时可观测。可观测不等于抗噪声能力强:时间间隔极短时,用两次位置差求速度会放大噪声,所以还需要考察数值条件和持续观测。
非线性系统的信息还取决于机器人怎样运动。缺乏转动、加速或视角变化时,偏置、尺度与其他参数可能无法分开。滤波器报告的协方差来自自身模型与噪声设定,模型错误时也可能很小,因此还要检查实际运动提供了哪些信息。
协方差在数学上应当对称。但直接计算 $P^+=(I-KH)P^-$ 时,舍入误差可能破坏对称性,进而影响后续递推。使用等价的 Joseph 形式
可以更明确地保留对称结构。还可以采用分解形式 $P=UDU^T$,其中 $D$ 为对角矩阵、$U$ 为单位上三角矩阵,通过更新因子而不是完整协方差改善数值性质。
噪声设定会同时影响报告的不确定性与校正权重。低估过程扰动可能使预测协方差相对测量噪声过小,校正增益不足;低估测量噪声则可能让估计过度跟随测量。两种噪声同时变小是否改变增益,要看相对尺度与协方差传播。诊断滤波结果时,需要把这些设定与实际扰动、传感质量相对照,平滑程度本身不足以说明估计准确。
联合估计例子可以分别检查整体尺度与相对权重。把初始协方差、过程噪声与测量噪声全部乘以 $0.01$,递推协方差同比缩小,增益仍为 $(0.889381,0.451327)^T$,均值更新不变;报告的误差条更窄,实际测量却没有变化。只把 $R$ 从 $0.25$ 增加到 $2.5$,保持预测协方差不变时,增益降为约 $(0.445676,0.226164)^T$。前一种调整改变整体不确定性尺度,后一种调整降低当前测量的相对权重。
在线计算还可以利用协方差递推的结构。固定线性模型与噪声统计后,协方差更新无需代入每次测量的具体值,可以提前计算,在线再根据测量更新均值。EKF 的 Jacobian 随实时估计变化,因此协方差也与估计轨迹耦合,需要同步计算。
6.1 定常滤波
Wiener 滤波以频域形式处理定常过程,Kalman 滤波使用状态空间,可以处理非定常问题以及连续或离散时间。若考虑定常、时不变过程,使估计协方差收敛到常数 $P_\infty$,Riccati 微分方程便变为代数方程,增益也成为常数 $K_\infty=P_\infty H^TR^{-1}$。
定常增益使状态估计方程成为固定系数线性系统。对它作 Laplace 变换,得到测量到估计的传递关系,形式与对应 Wiener 滤波器一致。这是同一最小均方误差目标在定常条件下的两种表达。
使用定常增益前,需要检查协方差是否满足收敛条件,例如不稳定模式是否可观测,以及过程噪声条件是否适当。定常增益节省在线计算,但启动时仍存在初值误差。运动模式或传感器改变后,原有模型与统计条件也可能变化,需要重新判断旧增益是否适用。
7. 透视投影
用相机定位物体时,输入是图像中的像点,所需输出却是空间位置或位姿。先写出空间点到像点的投影关系,才能判断图像保留了哪些信息,以及怎样形成状态估计的观测模型。
透视相机中,三维点的相机坐标为 $(X,Y,Z)$,像平面坐标为 $(x,y)$,焦距为 $f$。理想针孔模型给出
同一个像点可以对应同一条空间射线上的不同三维点。仅凭透视投影,不能直接恢复绝对距离;把三维位置和深度同时按相同比例放大,像点也不会改变。
对时间求导,记三维速度为 $(U,V,W)$,像平面速度为 $(u,v)$,得到
图像运动同时取决于三维运动和深度。同样大小的像素位移,在不同深度处对应不同空间位移;沿观察射线运动时,像点甚至可以保持不动。
投影 Jacobian 将这个关系写成局部矩阵:$J_\pi=\begin{bmatrix}f/Z&0&-fX/Z^2\\0&f/Z&-fY/Z^2\end{bmatrix}$。取 $f=800$、$(X,Y,Z)=(0.2,0.1,2)$,得到 $\begin{bmatrix}400&0&-40\\0&400&-20\end{bmatrix}$,单位为像素每米。若相机坐标中的相对速度为 $(0.1,0,0.2)\,\mathrm{m/s}$,像点速度为 $(32,-4)$ 像素每秒;即使没有竖直运动,深度变化也会改变竖直像坐标。投影公式中的速度必须是相机参考系下点的相对速度,相机本身运动时还需包含其平移与转动影响。
在纯平移且 $W\ne0$ 的情况下,定义扩张中心 $(x_0,y_0)=(fU/W,fV/W)$,便有
扩张中心给出纯平移的方向,比例 $Z/W$ 则具有时间量纲。因此,绝对尺度未知时,图像运动仍可以提供方向与接近过程的信息。
7.1 尺度歧义
在以像素为单位的像平面坐标中,取 $f=800$ 像素,主点置于原点,并忽略畸变。将三维点 $(X,Y,Z)=(0.2,0.1,2)\,\mathrm m$ 代入针孔公式,得到像点 $(x,y)=(80,40)$ 像素。
把三维坐标同时扩大两倍,取点 $(0.4,0.2,4)\,\mathrm m$,像点仍然是 $(80,40)$ 像素。两个点距离相机的深度不同,但位于同一条观察射线上;一个像点本身不能决定绝对深度。
7.2 相机标定
真实镜头的投影还包含主点和畸变。径向畸变可以近似为关于半径的多项式,例如 $\delta_x=x(k_1r^2+k_2r^4+\cdots)$,$y$ 方向有相同结构。图像中的直线可能因此呈现弯曲。
已知标定物的三维点以及相应像点时,可以估计相机内参与标定物相对相机的位姿。把三维点旋转、平移,再通过焦距、主点和畸变模型投影,得到预测像点。优化这些预测与实际测量之间的平方误差,就是重投影误差最小化。
这种非线性优化需要合理初值,所得结果通常是局部解。标定物的几何与观测角度也影响参数能否分开估计;例如缺少深度变化时,焦距与距离可能只通过比例进入方程,产生很大的噪声敏感性。
以平面标定物为例,可以选取标定物坐标,使其所有点满足 $Z_s=0$。变换到相机坐标时,旋转矩阵的第三列便不再直接参与这些点的坐标计算,方程因而简化。更多对应点可以帮助降低小测量噪声的影响,但不能仅靠数量消除几何退化。如果平面正对光轴,所有点的深度相同,同时改变焦距和整体距离就可能产生近似相同的图像。
标定需要有变化的几何观测,才能区分容易混淆的参数。已知三维标定物把内参与相机相对物体的旋转、平移同时联系到预测像点;一起估计这两部分,可以避免把姿态引起的变化错误归因于焦距或主点。
标定质量还可以从残差的空间分布判断。图像边缘的像点持续朝同一方向偏离,可能说明畸变模型不足;不同距离下误差变化,可能涉及内参、姿态或标定物尺寸。平均重投影误差需要与覆盖的视角一起看,才能判断参数的适用范围。
将标定结果用于定位时,应统一像素坐标、主点、畸变校正与物体尺寸单位。未经去畸变的像点若进入理想针孔模型,系统性投影误差会继续传到状态估计中。
8. 几何对应与鲁棒估计
三维到三维的绝对定向,寻找两个坐标系之间的旋转和平移;二维到二维的相对定向,讨论两幅图像的相对观测几何;二维与三维对应则涉及相机相对空间对象的位姿。它们共享坐标变换和最小二乘思想,但输入信息与待求变量不同。
对应点中若只有小测量噪声,最小二乘可以汇集数据提高估计精度;少数错误匹配却可能明显拉偏结果。RANSAC 随机选取能确定模型的少量数据,拟合候选模型,再统计其余对应中有多少落在预定误差阈值内。重复采样后,选择得到一致数据支持的候选。
在三维刚体对应中,最小样本可以是三个具有适当几何分布的点;点共线等退化情况不能确定完整旋转。检验时,误差阈值划分内点和外点,阈值要与测量结构和噪声尺度相适应。随机采样本身不保证每个样本都正确,它依靠多次尝试寻找由一致测量支持的模型。
若内点比例为 $w$、最小样本数为 $m$,并近似认为采样独立,一次全部抽到内点的概率为 $w^m$,$N$ 次至少成功一次的概率为 $1-(1-w^m)^N$。要求成功概率不小于 $p$,得到 $N\geq\log(1-p)/\log(1-w^m)$。例如三点刚体模型、内点比例 $0.6$、目标概率 $0.99$,需要至少十九次尝试。这个概率还没有计入几何退化、测量噪声和模型拟合失败,所以不是对最终位姿正确率的保证。
找到一致集合后,通常还要用全部内点重新估计模型,减少最小样本噪声的影响。鲁棒损失可以进一步降低大残差的权重。
数据一致也需要几何与物理检查。匹配集中在一小片近共线区域时,即使数量很多,姿态信息也可能不足;错误对应形成更大的自洽集合时,采样可能支持错误模型。因此,最终结果还要检查几何退化、物理可行性与不确定性。
视觉定位与递推估计可以在这里接起来:投影模型把空间状态转成预测像点,几何对应恢复坐标变换,鲁棒估计筛选一致测量,滤波再把这些观测与运动模型融合。反馈控制器使用的当前位置或姿态,由这条处理链产生,也继承了各阶段的坐标、时间与误差假设。
矩阵滤波、EKF 与视觉几何核验脚本使用标准库逐项计算联合估计的矩阵、Joseph 与简化更新的一致性、同比缩放对照、非线性校正、投影速度和 RANSAC 采样概率。
下一章的学习策略将利用观测或观测历史选择动作。网络能够接收一组测量,并不表示这组输入已经包含决定未来所需的全部状态;前面讨论的可观测性与时间对齐,仍会影响学习和部署。
参考资料
H. Harry Asada. System Identification, Estimation, and Learning. MIT OpenCourseWare, 2006. Lecture 5 (§§4.1–4.5), Lecture 6 (§§4.5.1–4.6), Lecture 8 (§§4.9–4.11). © Massachusetts Institute of Technology;中文节选重排、记号校订与例题补充;译编采用 CC BY-NC-SA 4.0。
Berthold Horn, Ryan Sander, Tadayuki Yoshitake. Machine Vision Lecture Summaries. MIT OpenCourseWare, 2020. Lecture 2 (perspective projection and motion field), Lecture 19 (§§1.1, 1.5), Lecture 21 (§§1.1, 1.2.7–1.2.9).
Fischler, Martin A., and Robert C. Bolles. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography. Communications of the ACM, 24(6), 1981, pp. 381–395; original paper PDF. 随机一致性估计的经典论文;本章采样概率与数值案例为独立计算。