2020 无人驾驶(3)
无人驾驶是一个大课题,如何说起呢?, 首先因为 by-wire system,举个例子机器是无法参与到车辆机械运动,动力在齿轮间传递等控制。例如如何通过方向盘控制车轮转向等动作,不同可以通过方向盘和齿轮之间添加电机,这样方向盘就无法直接控制齿轮,而是需要通过电机来控制齿轮,这样机器就可以通过 by-wire system 来参与到对车辆的控制了。有了这个基础我们才可以进行无人驾驶控制。
首先感知,车辆通过 GPS 、HD map lidar 和 camera 进行确定自己位置,感知行驶环境以及车辆自身状态。这一部分有关感知我随后会分享很多内容,会聊到计算机视觉,深度学习以及当下流行目标检测算法。接下来是定位有关定位,在无人驾驶也是使用多种技术进行融合定位,在这部分了解不多,那就说一说 slam 技术吧,随后路径规划和车辆控制,这一部分也会聊很多,在这部分会一边学习一边整理分享有关强化学习和车辆控制相关算法吧。
在无人驾驶中会用到大量的 sensor 和测量仪器,通过他们提供数据对车辆位置和姿态进行估计。所以我们还是先聊聊贝叶斯滤波和卡尔曼滤波,了解这些基础概念,会对以后了解 slam 和路径规划等技术有很大帮助。
卡尔曼滤波器(Kalman Filter Optimal Recursive Data Processing Algorithm)
卡尔曼滤波器应用广泛,特别是在导航中,之前我一直关注的 slam 技术就涉及到卡尔曼滤波器。卡尔曼滤波的广泛应用是因为我们生活中存在大量不确定性。我们在描绘系统时,不确定表现在三个方面
-
不存在完美的数学模型
-
系统的扰动是不可见也很难建模
-
测量传感器本身存在误差
在开始分享贝叶斯滤波和卡尔曼滤波,我觉得有必要帮助复习一些基础知识,这些知识在随后连续随机变量的贝叶斯公式推导过程都会用到,分别是概率密度、中心极限定理和正态分布,这里内容是我个人在学习贝叶斯滤波时候感觉到重要的知识点,在开始贝叶斯滤波前先拿出来和大家分享一下。
image概率密度
概率密度: 离散型的随机变量的取值是有限的比较好理解,对于连续型随机变量来说稍微有点抽象也就不那么好理解,因为连续随机变量的取值有无限多个。对于无限多个,在高等数学中就需要用积分思想来解决。
image我们 dx 表示较小的一个区间,在这个区间上概率比上 dx 来表示概率密度函数。对于这种刻画,我们将其变为函数就可以随意计算在一定区间上的概率,也就是我们熟悉变限积分。这样就概率密度函数 f(x) 在正负无穷上积分得到 1 。然后再看什么是概率分布函数。概率密度函数通过一个小区间概率来近似该点的概率,从负无穷到 x 对概率函数积分也就是求从改点到无穷的概率函数和坐标轴围成的面积。
image那么我们给这个函数 F(x)叫分布函数,f(x) 叫概率密度。
中心极限定理
某些事件是由大量相互独立的因素所影响,例如教材发射炮弹命中目标概率会受到炮弹发射会时风速、天气状况以及位置等很多因素的影响。这些因素必须是大量而且需要相互独立,每一个因素起的作用并不是特别大,也就是每一个因素起的作用并不是决定性作用。
-
大量的事件
-
事件间相互独立
大量独立同分布的随机变量之和的极限分布是正态分布。那么我们知道极限含义就是正态分布,而这里中心又是代表什么意思,其实中心并没有实际意义,也就是说极限定理是概率的中心问题,这里不要被误导。
image正态分布
正态分布是一种极为常见的连续型概率分布,若随机变量 X 服从概率密度函数。正态分布有许多好的性质,而且我们身边很多事物都是服从正态分布。说的好的性质,就说一个吧,在正态分布中期望和方差是无关的。
image注意一下公式分母中的 *σ *是根号外面,这个公式需要我们熟练掌握程度也能从侧面反映你对机器学习一些算法理解程度。
image正态分布可以标记上面公式。
image这个公式我们是高等数学时候学习到的公式,但是那时候我们可能不知道这个公式用武之处。
我们研究一个分布通常都会关心其密度函数(PDF)和分布函数(CDF),接下来我们就尝试写一写其密度函数。
密度函数
正态分布密度函数求积分为 1,下面用密度函数积分为 1 进行推导。
image image image分布函数
image分布函数(Cumulative Distribution Function, 简称CDF),是概率统计中重要的函数,正是通过分布函数,可用数学分析的方法来研究随机变量。分布函数可以完整地描述随机变量的统计规律,并且决定随机变量的一切其他概率特征。
image image标准正态分布
μ=0,σ=1 的正态分布为标准正态分布。通常我们需要将正态分布化为标准正态分布,这是正态分布的概率密度函数和分布函数。
image image image