如何评价《State Estimation for Robotics》？ 第1页

这本书在我心目中至少和概率机器人一个地位，甚至比概率机器人要高。它的内容更新，理论也非常深刻实用。

草稿大约在网上挂了两年，Barfoot希望网友能够看到他的书并帮他勘误。我和其他几位同学都看过，也给Barfoot写过邮件讨论书中的一些问题。后来他觉得勘误差不多了，就交给剑桥出版了。今年年底应该能拿到纸质版的书籍。

西安交通大学出版社拿到了它的中文版权。我们小组正在努力翻译，中文版预计明年上半年能与读者见面。

-----------------------------------------------------------------------------

内容简介

本书内容分为三个部分。

1. 状态估计部分。重点是线性高斯系统的状态估计，然后非线性非高斯系统的状态估计。
2. 三维空间运动部分。介绍了各种旋转+平移的表达，然后是非常详细的李代数。
3. 应用部分。包括位姿估计，点云配准以及bundle adjustment。

这本书能够帮你很快建立整套关于状态估计理论的框架，同时在三维运动方面，提供了充分但不那么困难的学习途径。此书的一大特点是将常见的理论统一在了一个大框架里面，所以各个知识点不再是分散的，你很容易看到它们之间的关联。

以线性高斯系统的状态估计为例，顺序大概是这样的：

1. 有很多个时刻的运动和观测方程。
2. 我们可以选择利用所有时刻的数据，来估计所有时刻的状态。这是一种批量的（batch）处理方式。
3. 也可以用上个时刻的状态，结合当前的数据，递推到下个时刻，这是一种递归的（recursive）处理方式。
4. 对于批量的，可以用最大后验概率（MAP）进行估计，也可以用贝叶斯推断（Bayesian Inference）进行估计。
5. 详细介绍MAP的过程；
6. 详细介绍贝叶斯推断的过程；
7. 指出二者在线性高斯时是等价的，原因在于高斯分布的模与均值相等。并指出非线性非高斯情况不是这样；
8. 说明Batch方式可以分解成前向和后向两个步骤，从而推出递归形式。
9. 既有前向也有后向的叫做Smoother。介绍Cholesky smoother和Rauch-Tung-Striebel Smoother。
10. 仅有前向的叫做Filter。介绍Kalman filter。
11. 说明Kalman filter和MAP、贝叶斯推断的关系。
12. 拓展到连续时间的情形。

怎么样？是不是感觉逻辑特别清晰？

-----------------------------------------------------------------------------

当然你觉得清晰是比较理想的情况……实际看起来是这样的：