確率ロボティクス

詳解 確率的ロボティクス

——-準備

1章 はじめに

移動ロボットを題材に、自己位置推定や地図生成、動的計画法、強化学習などの入門的なアルゴリズムについて解説とコードを準備した

わからないと行動できないは違う

これをロボットで実現しようとすると難しくなる

人間のように賢く、いい加減に動くロボットのプログラムをかきたいなら少しやり方を変えて、確率を使ってアプローチする

機械、計算機、制御、確率論、統計学の知識が必要

コンピュータがあると、今の情報を事前に与えられた情報を再利用できる

ベルマン方程式、ハミルトン-ヤコビ-ベルマン方程式は制御を究極的に一般化したものである

カルマンフィルタも大切、時系列で入ってくる情報から現在の状態を逐次推定できる、その際入ってくる情報の不確かさも評価される

モンテカルロフィルタやブーストラップフィルタはパーティクルフィルタの原型となっている

カルマンフィルタではなく、パーティクルフィルタを使った位置推定手法MCLが考案された

人間が見たり、ロボットが位置推定に使ったりする地図をロボットで作れないだろうかということが関心になっており、これを地図生成やSLAMという

ロボットに搭載できるレーザスキャナLiDARが研究者の間で普及し小型化が進んだ

ロボットを扱うにはベイズ理論が必須となった

そしてDNNや強化学習の利用も進んだ

またGitHubやROSの登場でソフトウェアが簡単に利用可能となった

数式が分からなくても自分のロボットに自己位置推定やSLAMは組み込める

たくさん修行することが大切である

点群のようなデータ処理は扱っていない

2章 確率・統計の基礎

(ry

3章 自律ロボットのモデル化

本章と次章で自律移動ロボットのシミュレータを作る

世界座標系を設定してロボットをうごきを実装する

ロボットがセンサを使って環境を観測するという現象をモデル化、実装する

状態方程式、観測方程式を定義する

4章 不確かさのモデル化

———自己位置推定とSLAM

5章 パーティクルフィルタによる自己位置推定

6章 カルマンフィルタによる自己位置推定

7章 自己位置推定の諸問題

8章 パーティクルフィルタによるSLAM

9章 グラフ表現によるSLAM

———行動決定

10章 マルコフ決定過程とDP

11章 強化学習

12章 部分観測マルコフ決定過程

———付録

A ベイズ推論によるセンサデータの解析

B 計算