百人牛牛棋牌
機器人感知:因子圖在SLAM中的應用
  • 推薦0
  • 收藏1
  • 瀏覽682

機器人感知:因子圖在SLAM中的應用

(美)Frank Dellaert , (美)Michael Kaess (作者)  劉富強 , 董靖 (譯者) 白濤 (責任編輯)

  • 書  號:978-7-121-33811-3
  • 出版日期:2018-10-19
  • 頁  數:164
  • 開  本:16(170*240)
  • 出版狀態:上市銷售
  • 原書名: Factor Graphs for Robot Perception
  • 原書號:9781680833263
  • 維護人:鄭柳潔
紙質版 ¥59.00
本書介紹在人工智能時代,用來建模和求解大規模機器人推斷問題所使用的因子圖。重點介紹解決機器人面臨的大規模推理問題,以及部署機器人的相關知識。因子圖相關知識(概率圖模型的一種)是機器人感知中至關重要的一環,而機器人感知是機器人領域最難的技術點。希望本書能給讀者帶來啟發。
SLAM領域大師力作,機器人領域從業者入門優選!
劉富強,泡泡機器人創始人。董靖,美國佐治亞理工學院計算機科學博士,主要研究方向機器人學。
好評襲來

Factor graphs provide a framework for thinking about perception and sensor fusion problems in both Robotics and Computer Vision. We wrote this article to provide a tutorial introduction to factor graphs and how insight in their (sparse) structure leads to efficient sensor fusion algorithms. In addition, we survey several applications in which factor graphs have been used with great success to enable autonomy on the road, in the air, and even underwater. We could not be happier that a Chinese translation of our text will now be available and enable many more people to discover and use factor graphs in their own robotics projects.

Frank & Michael


近年來增強現實和自動駕駛異常火熱,其中的關鍵技術SLAM也因而備受關注。SLAM里的一個核心問題是如何對設備的位姿和構建的地圖進行高效優化,而基于因子圖的優化是其中常用的方法。本書的作者Frank Dellaert和Michael Kaess在SLAM領域的造詣非常深厚,此書是他們師生二人多年來在因子圖上的研究成果的匯集和整理,講解系統深入,翻譯也很到位,是一本非常好的SLAM方面的書籍。

浙江大學
章國鋒教授


“Factor Graphs for Robot Perception” has been meticulously translated by two experts on SLAM technology, Fuqiang Liu of Harbin Engineering University and Jing Dong of the Georgia Institute of Technology. Fuqiang Liu is the founder of the world's largest think tank on SLAM technology, where he regularly leads SLAM discussions in both English and Chinese. Jing Dong is currently conducting SLAM research led by one of the book's original English authors, Dr. Frank Dellaert. I highly recommend this translated version of “Factor Graphs for Robot Perception”.

MIT
Wanda

Frank Dellaert 與 Michael Kaess是機器人行業大家,他們兩位在機器人感知方向有多年經驗及很深的理解。本書中,Frank與Michael深入淺出地介紹了因子圖數學定義、推斷方法,以及真實環境中機器人上的各種應用。本書對于希望深入研究SLAM技術的專業人士很有幫助。對無人駕駛應用感興趣的讀者可以深入了解本書中關于因子圖在慣性導航及地圖構建方面的應用范例。

PerceptIn創始人,《第一本無人駕駛技術書》作者
劉少山


隨著ROS操作系統的大范圍普及,SLAM這個在學界廣泛探討的話題逐漸褪去神秘面紗,呈現在公眾視野中,但是其復雜性往往令初學者望而卻步。Frank Dellaert和Michael Kaess兩位大師是促成SLAM從經典卡爾曼濾波形式向圖優化模型轉變的關鍵人物。本書從因子圖的角度出發,以深入淺出的直觀概念闡述了圖優化模型中的非線性優化算法、稀疏矩陣表示等問題,提供給初學者一把打開SLAM大門的金鑰匙。譯者以廣博的知識和豐富的經驗,將原文的內涵和精髓準確地表達出來,對于國內機器人領域的科技人員和相關從業人員都有非常巨大的幫助和推動作用。

國防科技大學
王維博士

SLAM是移動機器人應用中一項至關重要的技術,也是機器人領域一個經典而古老的問題,對此進行的研究已超過30年,可以說理論已趨于成熟。但在實際應用中,仍難免會遇到各種意想不到的問題。深入理解SLAM背后的數學原理,是分析、解決這些問題的必經之路。本書深入介紹了SLAM背后的諸多概率、優化方面的原理和算法,兼具理論和實踐價值,值得一讀。

百度資深研發工程師
劉浩敏


本書對SLAM算法相關的理論和數學基礎工具有非常詳細的講解,通俗易懂,且覆蓋全面,全書講授的思路連貫并且具備很好的深度,非常適合對SLAM算法有一定基礎,希望深入學習理論并開展研究工作的同學。整書翻譯流暢,邏輯關系清晰,是值得閱讀的佳作。

阿里巴巴天貓事業部互動技術專家
蔣佳憶


智能機器人時代的到來,離不開核心技術的支撐,而SLAM就是其中之一。它關系到機器人運動時“在哪里,去哪里,如何去”,是機器人運動智能的關鍵。本書聚焦的基于因子圖對機器人位置和姿態及地圖構建的高效優化有非常強的科研和應用價值。本書講解系統深入,是SLAM領域難得的一本好書。

北京理工大學智能機器人研究所
孔祥戰博士


譯者序1

《機器人感知:因子圖在SLAM中的應用》譯稿終于完成了。翻譯一本書付出的勞動遠遠大于閱讀一本書。在翻譯的過程中,我反反復復閱讀原版書籍及翻譯版加起來不下30遍。當將終稿交給編輯時,心里還是滿滿的收獲和興奮。

2017年8月22日中午13:30,董靖在泡泡機器人微信群中分享了這本由他的老師Frank Dellaert(GTSAM的作者)和Michael Kaess(iSAM的作者)合寫的書,我沒有任何猶豫,當天就給Frank發了郵件,問他是否可以允許我來翻譯這本書。Frank非常熱情地答應了,同時還推薦他的得意弟子董靖跟我一起翻譯,并且說,相信我們可以合作得很好。

Frank Dellaert是佐治亞理工學院的教授,Michael Kaess從佐治亞理工學院畢業后,去麻省理工學院做了幾年博士,目前在卡內基梅隆大學任職。兩人都是SLAM界的大牛,他們的開源的iSAM和GTSAM利用因子圖對位姿及地圖進行高效優化。除了在SLAM領域,iSAM和GTSAM在其他許多機器人領域也得到了非常廣泛的應用,如機械臂路徑規劃、空間--時序重建、大規模三維場景重建等。

目前,市面上關于SLAM的書非常少。希望本書的出版能夠為推動國內SLAM的研究貢獻出一份力量。本書從iSAM和GTSAM所用到的理論基礎出發,系統、完整地對其進行了介紹,相信大家讀完本書后,會對基于因子圖的優化有深入的理解。書中不僅有概率推斷、貝葉斯網絡、因子圖、非線性優化、流形及在其上的優化、貝葉斯樹、QR分解、喬里斯基分解、邊緣化(Marginalization)等基礎知識的講解,還有增量平滑與地圖構建(iSAM)的理論基礎的講解,同時在第7章還專門介紹了因子圖在機器人領域的各種應用案例。

真正理解這本書的一般性內容需要花一些時間,融會貫通則更需要下功夫。在品嘗主食(本書)的同時,我們為大家推薦3個配菜。

源碼:iSAM及GTSAM的代碼均已開源,在看本書的過程中,可以配合源碼一起看,這樣能夠更好地理解本書的理論內容。
在【泡泡機器人SLAM】(ID:paopaorobot_slam)微信公眾號上面,搜索董靖講解的“GTSAM Tutorial”公開課,可以幫助你快速了解GTSAM的整體框架和應用。
在泡泡論壇(http://paopaorobot.org)上進行交流。在看書過程中遇到的任何問題都可以在論壇上提問,只有互相交流才能更好地理解書上的內容。

與董靖合作翻譯的過程非常愉快,他是本書作者之一Frank的弟子,對于本書的內容非常熟悉,我們經常高密度地對有疑問的內容進行討論,在這個過程中,他也給了我非常多的啟發。

在本書的翻譯過程中,我得到了很多人的幫助和支持。首先要感謝電子工業出版社的鄭柳潔女士及白濤老師,沒有你們就沒有這本書的面世。鄭編輯也為我們處理了所有翻譯之外的事情,讓我們能不受干擾地完成這本書的翻譯。感謝泡泡機器人學術組織的章國鋒老師、黃山老師,以及周平、蔡育展、魯濤、劉暢、王慧國、陳世浪等同學的反饋意見。

在這里,我想把這本書送給我的妻子李明曉,遇到你是我這輩子最大的幸運,你的境界、心態和思想都深深地影響著我,讓我變得更加成熟穩重。有你的地方就是家,就是可以棲息的港灣。我愛你。同時,也將此書獻給我的女兒劉天琦,爸爸希望你能夠有天地般寬廣的胸懷,同時能夠一生都對所有事物保持好奇心,做一個快樂的科學家。還有我的奶奶、爸爸媽媽、岳父岳母。我之所以可以活得這么快樂簡單,后面是你們的負重前行,謝謝你們。感謝麻省理工學院的Wanda,與她的每次交流都讓我受益匪淺,從她的身上我學到了非常多好的習慣。感謝我的老師王宗義教授在我讀博期間對我的言傳身教,他讓我體會到了做實業的快樂和成就感,也讓我養成了良好的科研習慣。

嚴復翻譯《天演論》時,在譯例言中講到:“譯事三難:信、達、雅”。“信”是指翻譯要準確,“達”是指不拘泥于原文,“雅”是指語句要得體適當。我們盡了自己最大的努力保證翻譯的“信”,同時期望可以達到“達”和“雅”的境界。盡管如此,限于譯者水平,譯文的缺點和錯誤在所難免,誠懇地希望讀者批評指正。

劉富強

譯者序2

同步定位與地圖構建,也就是大家熟知的SLAM,是機器人學領域非常重要的一個子領域。近幾年來,隨著無人機、無人車、虛擬現實及增強現實的逐漸商用與普及,SLAM作為以上領域的重要驅動技術越來越受到大家的重視。

5年前我有幸加入Frank 的課題組,并在 Frank 的指導下開始從事SLAM相關領域的研究。5年博士期間我與Frank的合作愉快而充實,從他那里我不僅學到了機器人學、數學乃至C++編程的很多知識,更有他嚴謹治學、踏實工作的態度。所以在收到Frank的郵件,邀請我參與Factor Graphs for Robot Perception(下稱原書)中文翻譯時,我的內心是非常激動的。在感謝Frank對我SLAM領域專業水平信任的同時,我也感受到推廣SLAM技術、推廣因子圖工作的責任之重。

近十年來,在Frank等業內專家的努力下,因子圖作為一種高度靈活的概率圖模型,在SLAM領域得到了廣泛的推廣與應用。原書作為兩位作者在SLAM領域研究應用因子圖十余年經驗的總結,通過7個章節,深入淺出地介紹了因子圖數學定義、推斷方法,以及真實環境中機器人上的各種應用。原書在涵蓋了詳細的背景知識及數學論證的同時,也提供了充足的SLAM應用案例以供參考。原書可以作為高年級研究生課程教材,也可以供SLAM領域專業人士參考。

目前市面上關于SLAM領域工作的中文著作并不多,涉及因子圖、近期SLAM界進展的著作更是少之又少。我參與本書翻譯的最大動力便是希望將因子圖這一工具及業界關于SLAM研究的最新進展介紹給大家,拋磚引玉。希望本書能輔助讀者了解因子圖這一工具,或者對SLAM領域相關的研究帶來啟發。

本書的翻譯是由富強兄所主導的,在本書中富強兄付出了非常多的時間和心血,在此表示感謝,沒有富強兄的工作就不可能有本書的出版!同時一并感謝參與題序的老師們、參加審閱校對的各位老師同學,以及電子工業出版社的各位編輯,感謝你們為本書順利出版付出的辛勤工作!

最后,限于譯者水平,缺陷甚至錯誤在所難免,懇請讀者批評指正。

董靖

目錄

第1章 引言 3
1.1 機器人領域中的推斷問題 22
1.2 概率建模 23
1.3 生成模型的貝葉斯網絡 24
1.4 指定概率密度函數 26
1.5 在貝葉斯網絡中進行模擬 27
1.6 最大后驗概率推斷 28
1.7 因子圖推斷 30
1.8 因子圖支持的計算 32
1.9 路線圖 33
1.10 文獻評論 34
第2章 平滑與地圖構建 17
2.1 SLAM中的因子圖 36
2.2 非線性因子圖的最大后驗概率推斷 37
2.3 線性化 38
2.4 最小二乘問題的直接求解方法 40
2.5 最大后驗概率推斷的非線性優化 42
2.5.1 梯度下降法 43
2.5.2 高斯–牛頓法 43
2.5.3 列文伯格–馬夸爾特算法 43
2.5.4 Dogleg最小化法 45
2.6 文獻評論 46
第3章 探索稀疏性 31
3.1 關于稀疏性 50
3.1.1 啟發性的例子 50
3.1.2 稀疏雅可比矩陣及其因子圖 51
3.1.3 稀疏信息矩陣及其圖表示 52
3.2 消元算法 54
3.3 利用變量消元進行稀疏矩陣分解 56
3.3.1 稀疏高斯因子 57
3.3.2 生成乘積因子 57
3.3.3 利用部分QR分解進行變量消元 58
3.3.4 多波前QR分解 59
3.4 稀疏喬里斯基分解與貝葉斯網絡 61
3.4.1 線性高斯條件概率密度 61
3.4.2 反向替代求解貝葉斯網絡 62
3.5 討論 62
3.6 文獻評論 63
第4章 消元順序 49
4.1 消元的時間復雜度 68
4.2 變量順序的影響 69
4.3 填充的概念 72
4.4 啟發式排序 73
4.4.1 最小度排序 73
4.4.2 嵌套分割排序 73
4.5 機器人領域中的啟發式排序 75
4.6 嵌套分割和SLAM 78
4.7 文獻評論 80
第5章 增量平滑與地圖構建 65
5.1 增量推斷 84
5.2 更新矩陣分解 86
5.3 卡爾曼濾波及平滑 88
5.3.1 邊緣化 89
5.3.2 固定滯后平滑與濾波 90
5.4 非線性濾波及平滑 92
5.4.1 貝葉斯樹 93
5.4.2 更新貝葉斯樹 94
5.4.3 增量平滑與地圖構建 97
5.5 文獻評論 99
第6章 流形上的優化 83
6.1 姿態與航向估計 102
6.1.1 增量旋轉 103
6.1.2 指數映射 104
6.1.3 局部坐標 104
6.1.4 結合朝向信息 106
6.1.5 平面旋轉 107
6.2 位姿SLAM 108
6.2.1 位姿表示 109
6.2.2 局部位姿坐標 109
6.2.3 位姿的優化 110
6.2.4 位姿SLAM 111
6.3 李群及任意流形上的優化 112
6.3.1 矩陣李群 112
6.3.2 一般流形與歸約 113
6.3.3 歸約和李群 114
6.4 文獻評論 115
第7章 應用 99
7.1 慣性導航 118
7.2 稠密三維地圖構建 120
7.3 現場機器人學 123
7.4 魯棒估計與非高斯推斷 126
7.5 長期運行和稀疏化 127
7.6 大規模及分布式SLAM 128
7.7 總結 132
參考文獻 117
附錄 A 多波前喬里斯基分解 139
附錄 B 李群及其他流形 141

讀者評論

百人牛牛棋牌