Robust Estimation and Applications in Robotics
A becslési problémák megoldása számos robotikai alkalmazás alapvető eleme. Kiemelkedő példák erre a pózbecslés, a pontfelhő-illesztés és a tárgykövetés. Az ilyen becslési problémák megoldására szolgáló algoritmusoknak új kihívásokkal kell megbirkózniuk, amelyek a potenciálisan gyenge, alacsony költségű érzékelők fokozott használatából, valamint a potenciálisan ismeretlen környezetben működő, fogyasztói termékekben egyre nagyobb mértékben alkalmazott robotikai algoritmusokból adódnak. Ezeknek az algoritmusoknak robusztusnak kell lenniük az erős nemlinearitásokkal, a nagy bizonytalansági szintekkel és a számos kiugró értékkel szemben. Különösen a robotikában azonban a Gauss-feltétel elterjedt a többváltozós paraméterbecslési problémák megoldásaiban, anélkül, hogy a kívánt robusztussági szintet biztosítaná.
Robusztus becslés és alkalmazások a robotikában a fent említett kihívások megoldását tűzte ki célul, bevezetést nyújtva a robusztus becslésbe, különös tekintettel a robotikára. A könyv az M-becslés elméletének tömör áttekintésével kezdődik. Az M-becslők a legkisebb négyzetek becslőinek számos kényelmes tulajdonságával rendelkeznek, ugyanakkor sokkal robusztusabbak a Gauss-modell feltételezésétől való eltérésekkel szemben. A továbbiakban számos olyan példaanalkalmazást mutat be, ahol az M-becslést a nemlinearitásokkal és kiugró értékekkel szembeni robusztusság növelésére használják.
A Robusztus becslés és alkalmazások a robotikában ideális bevezetés a robusztus statisztikába, amely csak előzetes valószínűségelméleti ismereteket igényel. Olyan robotikai alkalmazásokra is tartalmaz példákat, ahol a robosztus statisztikai eszközöknek jelentősége van.