Graphical model and kf

第一回
確率ロボティクス
@syuntoku14

全体の目的
・確率的な視点を持てるようになる
・全部理解して強くなる
・下級生に発表の機会を与える
・確率はいいぞ

進め方
・担当者が章を簡単にまとめる（考え方のコツなどを説明するといいと思いま
す）
・積極的に質問をする
・演習問題を解く（たいせつ）

第一章のまとめ
A robot that carries a notion of its own incertainty
and that acts accordingly is sperior to one that does
not.
おわり〜〜

グラフィカルモデルを考えよう（第二章演習）
グラフィカルモデルとは？
-> 確率モデルの構造を視覚化したもの
構造を直感的に理解できるので便利

グラフィカルモデルで演習問題を解く(2-2)
1日目 2日目 3日目 4日目
下の式に値を代入していく
x1 x3x2 x4

2-3のグラフィカルモデル
x1 x2
x3
z2
z4
x4

変数が多くてわかりづらいので簡略化した問題を
2-3*
一日目が晴れであったとする。（事実としてわかっている）
二日目のセンサが曇り、三日目が曇だった時、三日目が実際に曇りである確率を
求めよ。
x1=S x2 x3
z2=C z3=C

余談：ベイズフィルタの問題点
現実の問題では、モデルが全部わかっていることは少ない
ベイズフィルタ：モデルが完全にわかっている
→モデルベースな手法
それに対して：
モデルフリーな手法（強化学習など）

まとめ
グラフィカルモデルはベイズ推定を考えるときに便利

第三章
カルマンフィルタの話

アルゴリズム
ノイズの追加
ノイズの追加
移動後の位置
ノイズの追加
カルマンゲイ
ン
センサによる
位置情報を追
加
共分散行列の
計算

カルマンフィルタ概要
１．ロボットがいるっぽい位置
２．センサによる観測
３.信念状態の更新
4.ロボットが右に移動
５．センサによる観測
6.信念状態の更新

カルマンゲインの理解
OdometryとObservasionのどちらを重要視するかをコントロールする
参考：https://qiita.com/IshitaTakeshi/items/740ac7e9b549eee4cc04

Recommended