In Kalman filters we iterate measurement and motion.
This is often called a "measurement update,"
and this is often called "prediction."
In this update we'll use Bayes rule, which is nothing else but a product or a multiplication.
In this update we'll use total probability, which is a convolution,
or simply an addition.
Let's talk first about the measurement cycle and then the prediction cycle,
using our great, great, great Gaussians for implementing those steps.
Suppose you're localizing another vehicle,
and you have a prior distribution that looks as follows.
It's a very wide Gaussian with the mean over here.
Now, say we get a measurement that tells us something about
the localization of the vehicle, and it comes in like this.
It has a mean over here called "mu,"
and this example has a much smaller covariance for the measurement.
This is an example where in our prior we were fairly uncertain about a location,
but the measurement told us quite a bit as to where the vehicle is.
Here's a quiz for you.
Will the new mean of the subsequent Gaussian be over here, over here, or over here?
Check one of these three boxes.
En filtros de Kalman iteramos entre medición y movimiento.
Esto a menudo se llama "actualización de la medida",
y esto a menudo se llama "predicción".
Y esta actualización va a utilizar la regla de Bayes, que no es otra cosa que un producto o una multiplicación.
Y esta actualización usará la probabilidad total, que es la convolución,
o simplemente una suma.
Hablemos primero sobre el ciclo de medición y el ciclo predicción,
utilizando nuestra gran gaussiana, para la aplicación de estos pasos.
Así que supongamos que usted está localizando a otro vehículo,
y tiene una distribución a priori que se ve de la siguiente manera.
Es un gaussiana muy amplia con la media aquí.
Y ahora, digamos que obtiene una medición que nos dice algo acerca de
la localización del vehículo, como esta.
Tiene una media por aquí llamada ν,
y en este ejemplo tiene una covarianza mucho menor para la medición.
Este es un ejemplo en el que nuestra priori era bastante incierta acerca de la localización,
pero la medida nos contó un poco acerca de dónde está el vehículo.
Así que aquí está la pregunta para ti.
¿Dónde estará la nueva media de la gaussiana posterior aquí, por aquí, o aquí?
Marque una de las tres casillas.
カルマンフィルタでは観測と動作を反復します
これは観測更新と予測と呼ばれます
観測更新では積や掛け算を使う
ベイズの定理が用いられます
こちらの更新では
畳み込みにより全確率が使われます
簡単に言うと足し算です
まずは観測サイクルについて話してから
予測サイクルを説明します
非常に優れたガウス分布を用いて
これらの方法を実行します
他の乗り物の位置を突き止めているとしましょう
事前分布はこのようなものです
非常に幅が広いガウス分布で平均はここです
ある観測をしたとします
乗り物の位置推定についてで
分布はこのようなものです
μと呼ばれる平均があります
この例は観測において
より小さな共分散を持ちます
事前では位置推定に
あまり確信が持てないという例です
しかしこれは乗り物の位置について
かなりのことを教えてくれます
ここで問題です
次に続くガウス分布の新しい平均は
この位置になるでしょうか
それともこの2つのどちらかでしょうか
3つのうちの1つにチェックしてください
В Кальман фильтры перебираете измерения и движения.
Это часто называется "Измерение обновления"
и это часто называют «предположение».
В этом обновлении мы будем использовать правила Байеса , которые есть не что иное, как продукт или умножения.
В этом обновлении мы будем использовать полную вероятность, что является сверткой,
или просто сложением.
Давайте поговорим сначала о цикле измерения и предсказания цикла,
используя нашего большого, большого Гаусса для реализации этих шагов.
Предположим, что вы локализовываете другое транспортное средство,
и у вас есть предварительное распределение, которое выглядит следующим образом.
Это очень широкая гауссова, со средним сдесь.
Теперь, говорят, что мы получим измерение, которое говорит нам кое-что о
это локализация автомобиля, и он приходит подобным образом.
Он имеет среднюю здесь, и называется "мю"
и этот пример имеет гораздо меньший ковариационной для измерения.
Это пример, когда в нашей предварительного мы были достаточно уверены в том месте,
но измерение рассказал нам немного о том, где транспортное средство.
Вот тест для вас.
Будет ли новый средний, который последует после гауссово быть здесь, здесь или здесь?
Выберите один из этих трех вариантов.