机器人感知:因子图在SLAM中的应用
  • 推荐0
  • 收藏1
  • 浏览715

机器人感知:因子图在SLAM中的应用

(美)Frank Dellaert , (美)Michael Kaess (作者)  刘富强 , 董靖 (译者) 白涛 (责任编辑)

  • 书  号:978-7-121-33811-3
  • 出版日期:2018-10-19
  • 页  数:164
  • 开  本:16(170*240)
  • 出版状态:上市销售
  • 原书名: Factor Graphs for Robot Perception
  • 原书号:9781680833263
  • 维护人:郑柳洁
纸质版 ¥59.00
本书介绍在人工智能时代,用来建模和求解大规模机器人推断问题所使用的因子图。重点介绍解决机器人面临的大规模推理问题,以及部署机器人的相关知识。因子图相关知识(概率图模型的一种)是机器人感知中至关重要的一环,而机器人感知是机器人领域最难的技术点。希望本书能给读者带来启发。
SLAM领域大师力作,机器人领域从业者入门优选!
刘富强,泡泡机器人创始人。董靖,美国佐治亚理工学院计算机科学博士,主要研究方向机器人学。
好评袭来

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


近年来增强现实和自动驾驶异常火热,其中的关键技术SLAM也因而备受关注。SLAM里的一个核心问题是如何对设备的位姿和构建的地图进行高效优化,而基于因子图的优化是其中常用的方法。本书的作者Frank Dellaert和Michael Kaess在SLAM领域的造诣非常深厚,此书是他们师生二人多年来在因子图上的研究成果的汇集和整理,讲解系统深入,翻译也很到位,是一本非常好的SLAM方面的书籍。

浙江大学
章国锋教授


“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 与 Michael Kaess是机器人行业大家,他们两位在机器人感知方向有多年经验及很深的理解。本书中,Frank与Michael深入浅出地介绍了因子图数学定义、推断方法,以及真实环境中机器人上的各种应用。本书对于希望深入研究SLAM技术的专业人士很有帮助。对无人驾驶应用感兴趣的读者可以深入了解本书中关于因子图在惯性导航及地图构建方面的应用范例。

PerceptIn创始人,《第一本无人驾驶技术书》作者
刘少山


随着ROS操作系统的大范围普及,SLAM这个在学界广泛探讨的话题逐渐褪去神秘面纱,呈现在公众视野中,但是其复杂性往往令初学者望而却步。Frank Dellaert和Michael Kaess两位大师是促成SLAM从经典卡尔曼滤波形式向图优化模型转变的关键人物。本书从因子图的角度出发,以深入浅出的直观概念阐述了图优化模型中的非线性优化算法、稀疏矩阵表示等问题,提供给初学者一把打开SLAM大门的金钥匙。译者以广博的知识和丰富的经验,将原文的内涵和精髓准确地表达出来,对于国内机器人领域的科技人员和相关从业人员都有非常巨大的帮助和推动作用。

国防科技大学
王维博士

SLAM是移动机器人应用中一项至关重要的技术,也是机器人领域一个经典而古老的问题,对此进行的研究已超过30年,可以说理论已趋于成熟。但在实际应用中,仍难免会遇到各种意想不到的问题。深入理解SLAM背后的数学原理,是分析、解决这些问题的必经之路。本书深入介绍了SLAM背后的诸多概率、优化方面的原理和算法,兼具理论和实践价值,值得一读。

百度资深研发工程师
刘浩敏


本书对SLAM算法相关的理论和数学基础工具有非常详细的讲解,通俗易懂,且覆盖全面,全书讲授的思路连贯并且具备很好的深度,非常适合对SLAM算法有一定基础,希望深入学习理论并开展研究工作的同学。整书翻译流畅,逻辑关系清晰,是值得阅读的佳作。

阿里巴巴天猫事业部互动技术专家
蒋佳忆


智能机器人时代的到来,离不开核心技术的支撑,而SLAM就是其中之一。它关系到机器人运动时“在哪里,去哪里,如何去”,是机器人运动智能的关键。本书聚焦的基于因子图对机器人位置和姿态及地图构建的高效优化有非常强的科研和应用价值。本书讲解系统深入,是SLAM领域难得的一本好书。

北京理工大学智能机器人研究所
孔祥战博士


译者序1

《机器人感知:因子图在SLAM中的应用》译稿终于完成了。翻译一本书付出的劳动远远大于阅读一本书。在翻译的过程中,我反反复复阅读原版书籍及翻译版加起来不下30遍。当将终稿交给编辑时,心里还是满满的收获和兴奋。

2017年8月22日中午13:30,董靖在泡泡机器人微信群中分享了这本由他的老师Frank Dellaert(GTSAM的作者)和Michael Kaess(iSAM的作者)合写的书,我没有任何犹豫,当天就给Frank发了邮件,问他是否可以允许我来翻译这本书。Frank非常热情地答应了,同时还推荐他的得意弟子董靖跟我一起翻译,并且说,相信我们可以合作得很好。

Frank Dellaert是佐治亚理工学院的教授,Michael Kaess从佐治亚理工学院毕业后,去麻省理工学院做了几年博士,目前在卡内基梅隆大学任职。两人都是SLAM界的大牛,他们的开源的iSAM和GTSAM利用因子图对位姿及地图进行高效优化。除了在SLAM领域,iSAM和GTSAM在其他许多机器人领域也得到了非常广泛的应用,如机械臂路径规划、空间--时序重建、大规模三维场景重建等。

目前,市面上关于SLAM的书非常少。希望本书的出版能够为推动国内SLAM的研究贡献出一份力量。本书从iSAM和GTSAM所用到的理论基础出发,系统、完整地对其进行了介绍,相信大家读完本书后,会对基于因子图的优化有深入的理解。书中不仅有概率推断、贝叶斯网络、因子图、非线性优化、流形及在其上的优化、贝叶斯树、QR分解、乔里斯基分解、边缘化(Marginalization)等基础知识的讲解,还有增量平滑与地图构建(iSAM)的理论基础的讲解,同时在第7章还专门介绍了因子图在机器人领域的各种应用案例。

真正理解这本书的一般性内容需要花一些时间,融会贯通则更需要下功夫。在品尝主食(本书)的同时,我们为大家推荐3个配菜。

源码:iSAM及GTSAM的代码均已开源,在看本书的过程中,可以配合源码一起看,这样能够更好地理解本书的理论内容。
在【泡泡机器人SLAM】(ID:paopaorobot_slam)微信公众号上面,搜索董靖讲解的“GTSAM Tutorial”公开课,可以帮助你快速了解GTSAM的整体框架和应用。
在泡泡论坛(http://paopaorobot.org)上进行交流。在看书过程中遇到的任何问题都可以在论坛上提问,只有互相交流才能更好地理解书上的内容。

与董靖合作翻译的过程非常愉快,他是本书作者之一Frank的弟子,对于本书的内容非常熟悉,我们经常高密度地对有疑问的内容进行讨论,在这个过程中,他也给了我非常多的启发。

在本书的翻译过程中,我得到了很多人的帮助和支持。首先要感谢电子工业出版社的郑柳洁女士及白涛老师,没有你们就没有这本书的面世。郑编辑也为我们处理了所有翻译之外的事情,让我们能不受干扰地完成这本书的翻译。感谢泡泡机器人学术组织的章国锋老师、黄山老师,以及周平、蔡育展、鲁涛、刘畅、王慧国、陈世浪等同学的反馈意见。

在这里,我想把这本书送给我的妻子李明晓,遇到你是我这辈子最大的幸运,你的境界、心态和思想都深深地影响着我,让我变得更加成熟稳重。有你的地方就是家,就是可以栖息的港湾。我爱你。同时,也将此书献给我的女儿刘天琦,爸爸希望你能够有天地般宽广的胸怀,同时能够一生都对所有事物保持好奇心,做一个快乐的科学家。还有我的奶奶、爸爸妈妈、岳父岳母。我之所以可以活得这么快乐简单,后面是你们的负重前行,谢谢你们。感谢麻省理工学院的Wanda,与她的每次交流都让我受益匪浅,从她的身上我学到了非常多好的习惯。感谢我的老师王宗义教授在我读博期间对我的言传身教,他让我体会到了做实业的快乐和成就感,也让我养成了良好的科研习惯。

严复翻译《天演论》时,在译例言中讲到:“译事三难:信、达、雅”。“信”是指翻译要准确,“达”是指不拘泥于原文,“雅”是指语句要得体适当。我们尽了自己最大的努力保证翻译的“信”,同时期望可以达到“达”和“雅”的境界。尽管如此,限于译者水平,译文的缺点和错误在所难免,诚恳地希望读者批评指正。

刘富强

译者序2

同步定位与地图构建,也就是大家熟知的SLAM,是机器人学领域非常重要的一个子领域。近几年来,随着无人机、无人车、虚拟现实及增强现实的逐渐商用与普及,SLAM作为以上领域的重要驱动技术越来越受到大家的重视。

5年前我有幸加入Frank 的课题组,并在 Frank 的指导下开始从事SLAM相关领域的研究。5年博士期间我与Frank的合作愉快而充实,从他那里我不仅学到了机器人学、数学乃至C++编程的很多知识,更有他严谨治学、踏实工作的态度。所以在收到Frank的邮件,邀请我参与Factor Graphs for Robot Perception(下称原书)中文翻译时,我的内心是非常激动的。在感谢Frank对我SLAM领域专业水平信任的同时,我也感受到推广SLAM技术、推广因子图工作的责任之重。

近十年来,在Frank等业内专家的努力下,因子图作为一种高度灵活的概率图模型,在SLAM领域得到了广泛的推广与应用。原书作为两位作者在SLAM领域研究应用因子图十余年经验的总结,通过7个章节,深入浅出地介绍了因子图数学定义、推断方法,以及真实环境中机器人上的各种应用。原书在涵盖了详细的背景知识及数学论证的同时,也提供了充足的SLAM应用案例以供参考。原书可以作为高年级研究生课程教材,也可以供SLAM领域专业人士参考。

目前市面上关于SLAM领域工作的中文著作并不多,涉及因子图、近期SLAM界进展的著作更是少之又少。我参与本书翻译的最大动力便是希望将因子图这一工具及业界关于SLAM研究的最新进展介绍给大家,抛砖引玉。希望本书能辅助读者了解因子图这一工具,或者对SLAM领域相关的研究带来启发。

本书的翻译是由富强兄所主导的,在本书中富强兄付出了非常多的时间和心血,在此表示感谢,没有富强兄的工作就不可能有本书的出版!同时一并感谢参与题序的老师们、参加审阅校对的各位老师同学,以及电子工业出版社的各位编辑,感谢你们为本书顺利出版付出的辛勤工作!

最后,限于译者水平,缺陷甚至错误在所难免,恳请读者批评指正。

董靖

目录

第1章 引言 3
1.1 机器人领域中的推断问题 22
1.2 概率建模 23
1.3 生成模型的贝叶斯网络 24
1.4 指定概率密度函数 26
1.5 在贝叶斯网络中进行模拟 27
1.6 最大后验概率推断 28
1.7 因子图推断 30
1.8 因子图支持的计算 32
1.9 路线图 33
1.10 文献评论 34
第2章 平滑与地图构建 17
2.1 SLAM中的因子图 36
2.2 非线性因子图的最大后验概率推断 37
2.3 线性化 38
2.4 最小二乘问题的直接求解方法 40
2.5 最大后验概率推断的非线性优化 42
2.5.1 梯度下降法 43
2.5.2 高斯–牛顿法 43
2.5.3 列文伯格–马夸尔特算法 43
2.5.4 Dogleg最小化法 45
2.6 文献评论 46
第3章 探索稀疏性 31
3.1 关于稀疏性 50
3.1.1 启发性的例子 50
3.1.2 稀疏雅可比矩阵及其因子图 51
3.1.3 稀疏信息矩阵及其图表示 52
3.2 消元算法 54
3.3 利用变量消元进行稀疏矩阵分解 56
3.3.1 稀疏高斯因子 57
3.3.2 生成乘积因子 57
3.3.3 利用部分QR分解进行变量消元 58
3.3.4 多波前QR分解 59
3.4 稀疏乔里斯基分解与贝叶斯网络 61
3.4.1 线性高斯条件概率密度 61
3.4.2 反向替代求解贝叶斯网络 62
3.5 讨论 62
3.6 文献评论 63
第4章 消元顺序 49
4.1 消元的时间复杂度 68
4.2 变量顺序的影响 69
4.3 填充的概念 72
4.4 启发式排序 73
4.4.1 最小度排序 73
4.4.2 嵌套分割排序 73
4.5 机器人领域中的启发式排序 75
4.6 嵌套分割和SLAM 78
4.7 文献评论 80
第5章 增量平滑与地图构建 65
5.1 增量推断 84
5.2 更新矩阵分解 86
5.3 卡尔曼滤波及平滑 88
5.3.1 边缘化 89
5.3.2 固定滞后平滑与滤波 90
5.4 非线性滤波及平滑 92
5.4.1 贝叶斯树 93
5.4.2 更新贝叶斯树 94
5.4.3 增量平滑与地图构建 97
5.5 文献评论 99
第6章 流形上的优化 83
6.1 姿态与航向估计 102
6.1.1 增量旋转 103
6.1.2 指数映射 104
6.1.3 局部坐标 104
6.1.4 结合朝向信息 106
6.1.5 平面旋转 107
6.2 位姿SLAM 108
6.2.1 位姿表示 109
6.2.2 局部位姿坐标 109
6.2.3 位姿的优化 110
6.2.4 位姿SLAM 111
6.3 李群及任意流形上的优化 112
6.3.1 矩阵李群 112
6.3.2 一般流形与归约 113
6.3.3 归约和李群 114
6.4 文献评论 115
第7章 应用 99
7.1 惯性导航 118
7.2 稠密三维地图构建 120
7.3 现场机器人学 123
7.4 鲁棒估计与非高斯推断 126
7.5 长期运行和稀疏化 127
7.6 大规模及分布式SLAM 128
7.7 总结 132
参考文献 117
附录 A 多波前乔里斯基分解 139
附录 B 李群及其他流形 141

读者评论