机器人视觉相关名词
Company number：【WTUT-WT88Y-W8BBGB-BWYTT-19998】
机器人视觉涉及相关问题
1，解析式：所谓解析式是指初等函数或者初等函数序列取极限所得到的函数。用表示类型和运算次序的把和连结而成的表达形式。单独的一个数或字母也叫解析式。
以下来自于书籍《未知环境中移动机器人导航控制理论与方法》—蔡自兴 2，环境建模和定位方法主要有：最大似然估计，Kalman滤波，粒子滤波，隐马尔科夫过程等，目前几乎所有的建模与定位方法都具有概率技术这一共同特征。
3，环境模型 度量模型 占据栅格模型 （均匀分解，递阶分解）
平面模型 几何模型（双目和三目较多） 非度量模型---拓扑模型 环境模型
三维几何模型 三维模型
可视化模型
4，SIFT(scale invariant feature transform)----尺度不变转换
5，SLAM(simutaneous localization and map building)----并发定位与建模 CML(concurrent mapping and localization)------并发定位与建模 6，环境建模中存在的不确定性
A,传感器获得误差的不确定性 B,机械运动本身的不确定性 C,环境变化引起的不确定性
7，Kalman滤波（KF）：一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法
KF/EKF最大的优点是能够在线估计地图中所有元素的后验概率，并且是迄今为止唯一的方法
最大的缺点：如果系统不确定性符合高斯分布，它无能无力。即无法处理相关性问题 8，贝叶斯定理
贝叶斯定理是关于随机事件A和B的（或）的一则定理。其中P(A|B)是在B发生的情况下A发生的可能性。
：人们根据不确定性信息作出推理和决策需要对各种结论的作出估计 后验概率：后验概率是信息理论的基本概念之一。在一个通信系统中，在收到某个消息之后，接收端所了解到的该消息发送的概率称为后验概率。
后验概率是指在得到“结果”的信息后重新修正的，如中的。是“执果寻因”问题中的\果\。与后验概率有不可分割的联系，后验概率的计算要以先验概率为基础。
9，粒子滤波器MCL（又称Monte Carlo localization蒙特卡洛）：用一个随机的加权粒子集合来获得概率分布的近似。
MCL解决定位问题并不要求噪声必须严格遵循高斯分布，并进而可处理任意分布的噪声。缺点是存在计算量大， 退化和粒子耗尽问题
10，了解siri，alphago的智能学习方式，目前的机器视觉能否像其一样，通过网络实现机器人终端和计算机云端的连接，从而实现一个云端数据教学到机器人终端的一个很好的链接，从而实现使机器人适应未知环境（类似于人类的学习功能）
12，目前主要采用的三种机器视觉技术：图像外观法，兴趣点检测法，立体视觉技术
13，图像描述：每幅图像计算HLS空间和正则化RGB空间共6个一维直方图，还有纹理，边密度，梯度的直方图。随着机器人的移动，直方图的变化很大，因而采用哪些特征构成直方图需进一步的研究
14，PCA（Principal Component Analysis）：是一种常用的数据分析方法。PCA
通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。 降维的必要性：
1.多重共线性--预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。
2.高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间上只有%。
3.过多的变量会妨碍查找规律的建立。
4.仅在变量层面上分析可能会忽略变量之间的潜在联系。例如几个预测变量可能落入仅反映数据某一方面特征的一个组内。 降维的目的： 1.减少预测变量的个数 2.确保这些变量是相互独立的 3.提供一个框架来解释结果
降维的方法有：主成分分析、因子分析、用户自定义复合等。
PCA过程：
1. 特征中心化。即每一维的数据都减去该维的均值得到矩阵B 2. 计算B的协方差矩阵C
3. 计算协方差矩阵C的特征值和特征向量
4. 选取大的特征值对应的特征向量，得到新的数据集
机器人视觉相关名词
