機器人視覺相關(guān)名詞

1、.機器人視覺涉及相關(guān)問題1，解析式：所謂解析式是指初等函數(shù)或者初等函數(shù)序列取極限所得到的函數(shù)。用表示運算類型和運算次序的符號把數(shù)和字母連結(jié)而成的表達形式。單獨的一個數(shù)或字母也叫解析式。以下來自于書籍未知環(huán)境中移動機器人導(dǎo)航控制理論與方法蔡自興2，環(huán)境建模和定位方法主要有：最大似然估計，Kalman濾波，粒子濾波，隱馬爾科夫過程等，目前幾乎所有的建模與定位方法都具有概率技術(shù)這一共同特征。3，環(huán)境模型 度量模型 占據(jù)柵格模型 （均勻分解，遞階分解） 平面模型 幾何模型（雙目和三目較多） 非度量模型-拓撲模型環(huán)境模型 三維幾何模型 三維模型 可視化模型4，SIFT(scale invariant f

2、eature transform)-尺度不變轉(zhuǎn)換5，SLAM(simutaneous localization and map building)-并發(fā)定位與建模 CML(concurrent mapping and localization)-并發(fā)定位與建模6，環(huán)境建模中存在的不確定性A,傳感器獲得誤差的不確定性B,機械運動本身的不確定性C,環(huán)境變化引起的不確定性7，Kalman濾波（KF）：一種利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)輸入輸出觀測數(shù)據(jù)，對系統(tǒng)狀態(tài)進行最優(yōu)估計的算法 KF/EKF最大的優(yōu)點是能夠在線估計地圖中所有元素的后驗概率，并且是迄今為止唯一的方法 最大的缺點：如果系統(tǒng)不確定性符合

3、高斯分布，它無能無力。即無法處理相關(guān)性問題8，貝葉斯定理貝葉斯定理是關(guān)于隨機事件A和B的條件概率（或邊緣概率）的一則定理。其中P(A|B)是在B發(fā)生的情況下A發(fā)生的可能性。概率推理：人們根據(jù)不確定性信息作出推理和決策需要對各種結(jié)論的概率作出估計后驗概率：后驗概率是信息理論的基本概念之一。在一個通信系統(tǒng)中，在收到某個消息之后，接收端所了解到的該消息發(fā)送的概率稱為后驗概率。后驗概率是指在得到“結(jié)果”的信息后重新修正的概率，如貝葉斯公式中的。是“執(zhí)果尋因”問題中的果。先驗概率與后驗概率有不可分割的聯(lián)系，后驗概率的計算要以先驗概率為基礎(chǔ)。9，粒子濾波器MCL（又稱Monte Carlo localiz

4、ation蒙特卡洛）：用一個隨機的加權(quán)粒子集合來獲得概率分布的近似。 MCL解決定位問題并不要求噪聲必須嚴格遵循高斯分布，并進而可處理任意分布的噪聲。缺點是存在計算量大， 退化和粒子耗盡問題10，了解siri，alphago的智能學(xué)習(xí)方式，目前的機器視覺能否像其一樣，通過網(wǎng)絡(luò)實現(xiàn)機器人終端和計算機云端的連接，從而實現(xiàn)一個云端數(shù)據(jù)教學(xué)到機器人終端的一個很好的鏈接，從而實現(xiàn)使機器人適應(yīng)未知環(huán)境？（類似于人類的學(xué)習(xí)功能）12，目前主要采用的三種機器視覺技術(shù)：圖像外觀法，興趣點檢測法，立體視覺技術(shù)13，圖像描述：每幅圖像計算HLS空間和正則化RGB空間共6個一維直方圖，還有紋理，邊密度，梯度的直方圖。

5、隨著機器人的移動，直方圖的變化很大，因而采用哪些特征構(gòu)成直方圖需進一步的研究？14，PCA（Principal Component Analysis）：是一種常用的數(shù)據(jù)分析方法。PCA通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關(guān)的表示，可用于提取數(shù)據(jù)的主要特征分量，常用于高維數(shù)據(jù)的降維。降維的必要性：1.多重共線性-預(yù)測變量之間相互關(guān)聯(lián)。多重共線性會導(dǎo)致解空間的不穩(wěn)定，從而可能導(dǎo)致結(jié)果的不連貫。2.高維空間本身具有稀疏性。一維正態(tài)分布有68%的值落于正負標準差之間，而在十維空間上只有0.02%。3.過多的變量會妨礙查找規(guī)律的建立。4.僅在變量層面上分析可能會忽略變量之間的潛在聯(lián)系。例如幾個預(yù)測變量可能落入僅反映數(shù)據(jù)某一方面特征的一個組內(nèi)。降維的目的：1.減少預(yù)測變量的個數(shù)2.確保這些變量是相互獨立的3.提供一個框架來解釋結(jié)果降維的方法有：主成分分析、因子分析、用戶自定義復(fù)合等。PCA過程：1. 特征