声明:本文首发于我的公众号【机器人技能学习】,谢绝私自转载,如有需要,可加我微信进行授权!!侵权必究!公众号不定期分享关于机器人技能学习,机器人感知,控制决策相关学习资料,欢迎关注!! 0 前言 本文是上次笔记的继续,前序内容请阅读上一篇《机械臂操作控制基础(一)》。 5 多关节的PD控制 多关节机械手系统的控制可以通过为每个关节独立设计的一套PD控制器来完成。虽然对于取放任务来说已经足够了,但
0 前言 作为一个机器人专业的博士生,说来惭愧,对于机械臂控制了解的并不深入,偶然机会看国外的一门课程,斯坦福的CS223A / ME320 : Introduction to Robotics, 里面有介绍关于机械臂操作空间控制的一些相关知识,然后给了一个材料,里面只给了chapter 7 Manipulator Control,也不知道书名。看了这一章,对机器人操作控制也算有个大概直观的了解
最近在看orb-slam,orb-slam方案在slam领域的地位就不用说了,我花了三天大概理清了一下代码的逻辑和思路。具体的细节还没有仔细去看,由于本人也是刚刚学完高博的视觉slam十四讲,所以有一些地方有错误的还望批评指正。另外我参考的资料除了论文以外,还有在泡泡机器人上面找到的吴博和冯兵两位老师的视频以及PPT,非常感谢泡泡机器人这个平台,学习到了很多知识! 首先还是看论文里面的这幅图,当时
非参数滤波是高斯滤波的一种替代选择,非参数滤波不依赖于后验,它是通过有限的数据来近似后验。近似的质量主要取决于表示后验数据的量,当数据量足够大的时候,往往会一致收敛于真实的后验值。本章主要讨论了两种非参数的滤波,直方图滤波和粒子滤波。 直方图滤波将状态空间分解为有限多个区域,并且用一个概率值表示每一个区域的累积后验。当应用于有限空间时,被称为离散贝叶斯滤波,应用于连续空间时被称为直方图滤波。机器
到目前为止,我们已经介绍了不少的滤波算法了,接下来将要介绍状态方程(运动模型)和测量方程(预测模型)了,首先介绍运动模型吧! 在传统的机器人学当中,运动都是被以确定的形式来进行处理的,但是在概率机器人当中,由于控制噪声或者由于未建模的外源性影响,控制系统输出是不确定的(其实在控制理论当中一般都是给出一个范围)。因此在概率机器人当中,控制结果被作为一个后验概率来描述。从理论上来说,合适的概率模型目
跑别人的数据集总感觉不如自己跑这舒服,所以我就自己用自带的摄像头跑了一次orb_slam2,结果发现坑还不少,所以把坑都写出来,避免以后有和我一样的朋友踩坑,这是一篇资源汇总帖。 我的环境:ubuntu14.04+ros indigo+opencv2.8.4(最开始是3.1,后来发现不行,所以就改了) 首先,先标定相机吧,我这里用的是MATLAB标定工具箱,我觉得能够用工具箱解决的,没有必要自己
本文是我在学习西瓜书和python大战机器学习两本书时的一些读书笔记。主要参考着两本书,我学习时两本书结合着看,西瓜书理论写的非常好,python大战机器学习主要是对算法的一些提炼以及利用sklearn库的实现。 集成学习通过构建并结合多个学习器来完成学习任务,也被称为多分类器系统。集成学习就是将多个“学习器”通过某种策略结合起来。个体学习器通常由一个现有的学习算法从数据中产生,由单一种类的学习器
学完了高博的《SLAM十四讲》,基本了解了SLAM的框架结构,然后看了一些ORB-SLAM的代码,跑了几个模型,看了几篇论文,感觉还是有很多关于状态估计的问题不是很清楚,然后在知乎看到了关于slam推荐书籍,有一本状态估计和概率机器人,但是状态估计目前只有英文版,发现概率机器人有中文版,所以就买了一本概率机器人。虽然翻译质量可能不是太好,但是还是能读,有些地方还是要看英文才行!感谢翻译概率机器人
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信