机器人视觉相关名词(4页).doc

-机器人视觉相关名词-第 4 页机器人视觉涉及相关问题1，解析式：所谓解析式是指初等函数或者初等函数序列取极限所得到的函数。用表示类型和运算次序的把和连结而成的表达形式。单独的一个数或字母也叫解析式。以下来自于书籍未知环境中移动机器人导航控制理论与方法蔡自兴2，环境建模和定位方法主要有：最大似然估计，Kalman滤波，粒子滤波，隐马尔科夫过程等，目前几乎所有的建模与定位方法都具有概率技术这一共同特征。3，环境模型 度量模型 占据栅格模型 （均匀分解，递阶分解） 平面模型 几何模型（双目和三目较多） 非度量模型-拓扑模型环境模型 三维几何模型 三维模型 可视化模型4，SIFT(scale invariant feature transform)-尺度不变转换5，SLAM(simutaneous localization and map building)-并发定位与建模 CML(concurrent mapping and localization)-并发定位与建模6，环境建模中存在的不确定性A,传感器获得误差的不确定性B,机械运动本身的不确定性C,环境变化引起的不确定性7，Kalman滤波（KF）：一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法 KF/EKF最大的优点是能够在线估计地图中所有元素的后验概率，并且是迄今为止唯一的方法 最大的缺点：如果系统不确定性符合高斯分布，它无能无力。即无法处理相关性问题8，贝叶斯定理贝叶斯定理是关于随机事件A和B的（或）的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。：人们根据不确定性信息作出推理和决策需要对各种结论的作出估计后验概率：后验概率是信息理论的基本概念之一。在一个通信系统中，在收到某个消息之后，接收端所了解到的该消息发送的概率称为后验概率。后验概率是指在得到“结果”的信息后重新修正的，如中的。是“执果寻因”问题中的"果"。与后验概率有不可分割的联系，后验概率的计算要以先验概率为基础。9，粒子滤波器MCL（又称Monte Carlo localization蒙特卡洛）：用一个随机的加权粒子集合来获得概率分布的近似。 MCL解决定位问题并不要求噪声必须严格遵循高斯分布，并进而可处理任意分布的噪声。缺点是存在计算量大， 退化和粒子耗尽问题10，了解siri，alphago的智能学习方式，目前的机器视觉能否像其一样，通过网络实现机器人终端和计算机云端的连接，从而实现一个云端数据教学到机器人终端的一个很好的链接，从而实现使机器人适应未知环境？（类似于人类的学习功能）12，目前主要采用的三种机器视觉技术：图像外观法，兴趣点检测法，立体视觉技术13，图像描述：每幅图像计算HLS空间和正则化RGB空间共6个一维直方图，还有纹理，边密度，梯度的直方图。随着机器人的移动，直方图的变化很大，因而采用哪些特征构成直方图需进一步的研究？14， PCA（Principal Component Analysis）：是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。降维的必要性：1.多重共线性-预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。2.高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间上只有0.02%。3.过多的变量会妨碍查找规律的建立。4.仅在变量层面上分析可能会忽略变量之间的潜在联系。例如几个预测变量可能落入仅反映数据某一方面特征的一个组内。降维的目的：1.减少预测变量的个数2.确保这些变量是相互独立的3.提供一个框架来解释结果降维的方法有：主成分分析、因子分析、用户自定义复合等。PCA过程：1. 特征中心化。即每一维的数据都减去该维的均值得到矩阵B2. 计算B的协方差矩阵C3. 计算协方差矩阵C的特征值和特征向量4. 选取大的特征值对应的特征向量，得到新的数据集