何為高斯分布？它的一維形式是什麼樣子？高維形式又如何？
參考博文：[1]
[2][3]
答：高斯分布(gaussian distribution)，又稱為正態分佈(normal distribution)，是一種非常重要的概率分布。
有幾種不同的方法用來說明乙個隨機變數，最直觀的方法是概率密度函式，這種方法能夠表示隨機變數每個取值有多大的可能性。
一維形式：
正態分佈的概率密度函式均值為μ
\muμ，方差為σ
2\sigma^2
σ2（或標準差為σ
\sigma
σ）f(x;
μ,σ)
=1σ2
πexp
(−(x
−μ)2
2σ2)
f(x;\mu,\sigma)=\frac}exp(-\frac)
f(x;μ,
σ)=σ
2π1
exp
(−2σ
2(x−
μ)2
)下圖為四個不同引數的概率密度函式，其中紅色為標準正態分佈
高維高斯分布[4]：
公式n (x
∣μ,σ
)=1(
2π)d
/21∣
σ∣1/
2exp
n(x|\mu,\sigma)=\frac}\frac}exp\lbrace(x-\mu)^t\sigma^(x-\mu)\rbrace}
n(x∣μ,
σ)=(
2π)d
/21
∣σ∣1
/21
exp對於多維來說，σ
\sigma
σ表示協方差矩陣，定義為σ=e
[(x−
μ)(x
−μ)t
]\sigma=e[(x-\mu)(x-\mu)^t]
σ=e[(x
−μ)(
x−μ)
t]
《視覺SLAM十四講》第2講
目錄本講主要內容 1 視覺slam中的感測器 2 經典視覺slam框架 3 slam問題的數學表述 想象乙個在室內的移動機械人在自由地探索室內的環境，那麼定位與建圖可以直觀地理解成 1 我在什麼地方？定位 2 周圍環境是怎樣的？建圖 而要完成定位和建圖則需要各種感測器的支援。感測器一般可以分為兩類，...
視覺SLAM十四講第四講
主要目標 理解李群與李代數的概念，掌握 so 3 se 3 與對應李代數的表示方式。理解 bch 近似的意義。學會在李代數上的擾動模型。使用 sophus 對李代數進行運算。旋轉矩陣自身是帶有約束的 正交且行列式為 1 它們作為優化變數時，會引入額外的約束，使優化變得困難。通過李群 李代數間的轉換關...
《視覺SLAM十四講》筆記 第二講 初識SLAM
自身位置 定位 周圍環境 建圖 感測器分類 視覺slam 強調未知環境 單目相機 monocular 單目相機的資料 影象 以二維的形式反映了三維的世界。無法通過單張得到深度資訊。存在尺度不確定性 雙目相機 stereo 兩個相機間的距離 基線已知。基線越大，能測量的距離越遠。因此，無人車上的雙目相...