🤖 Вопросы робототехники + Python examples¶
1. Операции над векторами и матрицами.¶
Основные операции: сложение, вычитание, умножение (включая матричное умножение и скалярное произведение), транспонирование и инвертирование матриц.
2. Евклидовы преобразования и их свойства¶
Евклидовы преобразования включают в себя трансляции и вращения, которые сохраняют расстояния и углы в пространстве.
3. Способы представления поворотов - матрицы поворота, ось угол, кватернион¶
- Матрицы поворота: используются для описания вращений в пространстве.
- Ось-угол: представление вращения вокруг заданной оси на определенный угол.
- Кватернионы: удобный способ для представления поворотов, избегая проблем с сингулярностями.
4. Кинематика колесных роботов. Дифференциальный привод. Привод Аккермана.¶
- Дифференциальный привод: управляется изменением скоростей двух колес.
- Привод Аккермана: используется в автомобилях для управления поворотом передних колес.
5. Датчики расстояния¶
Типы: ультразвуковые, инфракрасные, лазерные дальномеры. Используются для измерения расстояния до объектов.
6. Аксиомы теории вероятностей. Дискретная и непрерывная случайные величины.¶
Основные аксиомы: неотрицательность, нормировка, аддитивность. Величины могут быть дискретными и непрерывными.
7. Совместная и условная вероятность. Формула Байеса. Пример.¶
Формула Байеса позволяет обновлять вероятность гипотезы на основе новых данных. Условная вероятность определяет вероятность события при условии другого события.
8. Байесовская фильтрация.¶
Метод для оценки состояния системы на основе модели процесса и модели измерений.
9. Вероятностная модель процесса. Примеры.¶
Определяет вероятностное поведение системы во времени. Примеры: модели движения роботов, модели роста популяций.
10. Вероятностная модель измерений. Примеры.¶
Определяет вероятность получения измерений из состояния. Примеры: измерения GPS, данные от сенсоров.
11. Дискретный фильтр.¶
Фильтр для обработки дискретных данных, таких как сигналы с датчиков.
12. Фильтр частиц.¶
Метод Монте-Карло для аппроксимации распределений вероятностей. Использует множество частиц для представления состояния системы.
13. Задача локализации. Пример.¶
Определение положения робота в пространстве. Пример: локализация робота в помещении на основе данных с сенсоров.
14. Фильтр Калмана. Расширенный фильтр Калмана.¶
- Фильтр Калмана: оптимальный рекурсивный фильтр для линейных систем.
- Расширенный фильтр Калмана (EKF): модификация для нелинейных систем.
15. Задача построения 2D карты. Примеры.¶
Процесс создания карты окружающей среды роботом на основе сенсорных данных. Примеры: SLAM (Simultaneous Localization and Mapping).
16. Задача одновременной локализации и построения карты. EKF SLAM.¶
Метод SLAM с использованием расширенного фильтра Калмана для одновременной оценки положения робота и карты.
17. Задача одновременной локализации и построения карты. Fast SLAM.¶
Метод SLAM, использующий фильтр частиц для разделения задачи локализации и построения карты.
18. Задача построения 3D карты. Примеры.¶
Процесс создания трёхмерной карты окружающей среды. Примеры: использование LIDAR, RGB-D камер.
19. Итеративный алгоритм ближайших точек.¶
Алгоритм для минимизации расстояния между двумя наборами точек, часто используемый для регистрации сканированных данных.
Эта шпаргалка поможет освежить основные темы по робототехнике перед зачетом.