資料がなひ http://ja.wikipedia.org/wiki/%E7%A2%BA%E7%8E%87%E8%AB%96 確率測度とは、各事象に対して0以上1以下の数を対応させる関数P 事象Aが起きる確率はP(A) Pは勝手に決めていい関数だが、確率測度の公理を満たさなければならない

離散のときは、xである確率というのは(なんらかの値)となるが、連続のときは、xである確率は(あらゆるxに対して)になる 要は、連続であれば、ある確率変数Xの確率は0になる 連続の時は、確率は使う確率密度関数(PDF)の形によって、区間[a,b]または(a,b)に対…

参考URL 「An Introduction to The Kalman Filter」 http://www.cs.unc.edu/~welch/kalman/kalmanIntro.html 「Pythonでの実装」 http://www.scipy.org/Cookbook/KalmanFiltering やること 「ある値xを観測したz(zは観測誤差を含む)を使って、真の値であるx…

状態が変化するに誤差を含み、観測したデータにも誤差を含む場合、真の状態を推定する(誤差はガウス雑音だけどね) 「初期状態(信念)」→「観測」→「修正」→「予測」→「観測」→「修正」→・・・ ベイズフィルタの確率が正規分布に従うときの実装 信念belは「平…

確率密度関数 どんな正規分布かは、平均と分散によって構成(モーメントパラメータ化) カノニカルパラメータ化では情報行列と情報ベクトルにより正規分布を構成

事前確率とか事後確率とか 過去の状態を考慮しつつ今の状態を考える 信念(belief) たとえば、ロボットが自分の正確な位置の観測ができないとき、そのノイズありの観測から「自分のいるであろう位置」を信念としてもつ 内部知識、情報状態 実際の状態とは違う…

状態推定 「状態を予想し、観測結果から状態を更新」を繰り返す ベイズフィルタの実装方法としてよく研究されたもの ベイズフィルタの確率p()が「正規(ガウス)分布」のときの実装 線形ガウス型モデル 正規分布を作るときは「平均」と「分散」でどんな正規分…