
Japanese: 
[Thrun] では 一歩下がって 達成した内容を 振り返りましょう
測定値の更新が あること そして 動きの更新
つまり予測が あることが わかりました
測定値の更新は 乗算で 実行します
ベイズルールと 同じです
動きの更新は 全確率 つまり加算で 行います
そこで 私たちは より複雑な方に 取り組みました
こちらの方が 実際に計算が 難しいです
これを 解きました厳密な式を 作成しました
微分の計算も 行い
カルマンフィルターの このステップを実行する コンピュータープログラムも 書きました
ここでは 詳しいことは 省略しますが
これは 本当に簡単な ステップです実際に 書いてみましょう
こんな世界に 住んでいるとしましょう
これが 自分の位置に関する 現在の最良推定値で
これが 不確かさです
ここで 右方向に 特定の距離だけ 動くとしましょう
すると この動き自体にも 不確かさがあります

Russian: 
Итак, давайте шаг за шагом вернемся назад и посмотрим на то, что мы достигли
Мы знали, что существует измерение обновления и обновления движения ,
который также называется предсказанием.
И мы знаем, что измерение обновление осуществляется путем умножения,
который так же, как правило Байеса ,
и движение обновления выполняется полностью вероятностью или дополнением.
Таким образом, мы взялись за более сложный случай
На самом деле это самая сложная математическая часть .
Мы решили это. Мы дали точное выражение.
Мы даже вывели его математически,
и вы смогли написать компьютерную программу, которая реализует этот шаг фильтра Калмана.
Я не хочу вдаваться в глубины здесь.
Это очень, очень легкий шаг. Позвольте мне записать это для вас.
Предположим, что вы живете в мире, как это.
Это ваша текущая, лучшая оценка того, где вы находитесь,
и это ваша неуверенность.
Теперь скажем, что вы переходите к правой стороне определенное расстояние
и что само движение имеет свой набор неопределенностей.

Spanish: 
Así que vamos a dar un paso un paso atrás y mirar lo que hemos logrado.
Sabíamos que había una actualización de la medida y una actualización del movimiento,
que también se denomina predicción.
Y sabemos que la actualización de la medida se lleva a cabo mediante la multiplicación,
que es lo mismo que la regla de Bayes,
y la actualización del movimiento se realiza por probabilidad total o una suma.
Abordordamos el caso más complicado.
Esto es en realidad la parte más difícil matemáticamente.
Y lo hemos resuelto esto. Con una expresión exacta.
que derivamos matemáticamente,
y fuiste capaz de escribir un programa informático que implementa este paso del filtro de Kalman.
No quiero entrar en demasiada profundidad aquí.
Este es un paso muy, muy fácil. Déjame escribirlo para usted.
Supongamos que vivimos en un mundo como este.
Esta es su mejor estimación actual de donde se encuentre,
y esta es su incertidumbre.
Y ahora decimos que se mueve hacia el lado derecho a una cierta distancia
y que el propia de movimiento tiene su propio conjunto de incertidumbre.

English: 
[Thrun] So let's step a step back and look at what we've achieved.
We knew there was a measurement update and a motion update,
which is also called prediction.
And we know that the measurement update is implemented by multiplication,
which is the same as Bayes rule,
and the motion update is done by total probability or an addition.
So we tackled the more complicated case.
This is actually the hard part mathematically.
We solved this. We gave an exact expression.
We even derived it mathematically,
and you were able to write a computer program that implements this step of the Kalman filter.
I don't want to go into too much depth here.
This is a really, really easy step. Let me write it down for you.
Suppose you live in a world like this.
This is your current best estimate of where you are,
and this is your uncertainty.
Now say you move to the right side a certain distance
and that motion itself has its own set of uncertainty.

Chinese: 
下面回顾一下看看我们已经完成了什么
我们知道这有一个测量更新和运动更新
也可称为预测
并且我们知道测量更新可以通过乘法来实现
这跟贝叶斯规则一样
而运动更新通过全概率或者一个加法来完成
我们已经解决了比较复杂的情况
这实际上是数学上比较难的部分
我们把它解决了 并且得出一个精确的表达式
我们甚至对它进行了数学推导
并且你可以编写代码来实现卡尔曼滤波的这一步
这个我不想过于深入
这是非常 非常简单的一步 让我为你写下来
假设你活在这样的一个世界中
这是你对自己所在位置的最佳估计
这是你的误差
现在假设你往右移动一定距离
并且运动本身也包含自己的误差

Japanese: 
それでは学んだことを振り返っていきましょう
観測更新と
動作更新があることが分かりました
これは予測とも呼ばれます
観測更新は掛け算で実行されます
ベイズの定理と同じです
動作更新は
全確率と足し算によって実行されます
より複雑な例にも取り組みました
数学的に難しい部分ですが正確な式を出しました
さらにコンピュータプログラムを書いて
カルマンフィルタの更新ステップを実装しました
あまり詳しくは触れませんが
実に簡単な方法なのでぜひ書いてみてください
このような世界にいるとしましょう
あなたがいると思われる位置は不確かな推測です
右側にある距離だけ動いたとします
その動作自体が不確実性を含んでいます

English: 
Then you arrive at a prediction that adds the motion of command to the mean,
and it has an increased uncertainty over the initial uncertainty.
Intuitively this makes sense.
If you move to the right by this distance,
in expectation you're exactly where you wish to be
but you've lost information because your motion tends to lose information
as manifested by this uncertainty over here.
The math for this is really, really easy.
Your new mean is your old mean plus the motion, often called U.
So if you move over 10 meters, this will be 10 meters.
And your new σ² is your old σ²
plus a variance of the motion Gaussian.
This is all you need to know. It's just an addition.
I won't prove it to you because it's really trivial.
But in summary, we have a Gaussian over here,
we have a Gaussian for the motion, with U as the mean

Spanish: 
Luego se llega a la predicción que suma el movimiento del comando a la media,
y esto tiene una mayor incertidumbre sobre la incertidumbre inicial.
Intuitivamente esto tiene sentido.
Si se mueve a la derecha esta distancia,
en expectativa estás exactamente donde usted desea estar
pero has perdido información debido a que el movimiento tiende a perder información
que se manifiesta en esta incertidumbre de aquí.
Las matemáticas de esto son muy, muy fáciles.
Su nueva media es la media anterior más el movimiento, a menudo llamado U.
Así que si usted se mueve 10 metros, esta será 10 metros.
Y su nueva σ² es la antigua σ²
más la varianza de la gaussiana del moviento.
Esto es todo lo que necesitas saber. Es sólo una suma.
Y no se lo voy a demostrar a usted porque es realmente trivial.
Pero, en resumen, tenemos una gaussiana por aquí,
que tienen una distribución gaussiana para el movimiento, con U como la media

Japanese: 
こうして到達した 予測値は muに 動きを足したもので
初期の不確かさより 高い 不確かさを 持ちます
直感的にも 理解できますね
右方向へ この距離だけ 動いて 望む位置まで
来たと 思っても 実際は 情報を 失っています
なぜなら 動くたびに 情報が失われる
傾向があるためで それが この不確かさです
計算は 本当に とても簡単です
新しい muは 前の muに動き つまり Uを足した値です
たとえば 10メートル 動いた場合は 10メートルです
新しい σの2乗は 前のσ2乗に
動きのガウス分布の 分散を足して 求めます
これだけ 知っていれば 十分ですただの 足し算です
本当に 簡単なので 証明は しませんが
まとめると これはガウス分布です
これは 動きのガウス分布で 平均が U

Japanese: 
そして平均に
動作コマンドを加算する推測を行います
初期の不確実性以上に不確実性が増加しますが
これは理にかなっています
この距離だけ右に動いたら
望んだ場所に自分がいると期待します
しかし不確実性から明白なように
動作はより情報が失われます
これの計算はとても簡単です
新しい平均は古い平均に
動作を足したものでUと呼ばれます
もし10メートル以上動いたら
これは10メートルになります
新しいσ²は古いσ²に
動作のガウス分布の分散を加算します
ただ加算するだけでいいのです
取るに足らないことなので証明はしません
簡単に言うとここにガウス分布があります
平均がUである動作のガウス分布と

Russian: 
Тогда вы переходите в предположение, что добавляет движения команды к среднему,
и оно имеет повышенную неопределенность в начальной неопределенности.
Интуитивно это имеет смысл.
Если переместить вправо на этом расстоянии,
В ожидании вы именно там, где вы хотите быть
но вы потеряли вашу информацию, потому что движение стремится к потере информации
как проявляется эта неопределенность здесь.
Математика для этого очень, очень легкая.
Ваше новое среднее и старое среднее, плюс движение, часто называемый U.
Так что, если вы перемещаете более 10 метров, то это будет 10 метров.
И новая сигма вашей площади, это старая сигма в квадрате
плюс дисперсии движения Гаусса.
Это все, что вам нужно знать. Это всего лишь дополнение.
Я не буду доказать вам это, потому что это действительно тривиально.
Но, в целом, у нас есть гауссово здесь,
у нас есть гауссово для движения, с U как среднее

Chinese: 
那么你就到达一个将运动量加到均值上的预测位置
并且这还会在初始误差上增加一个误差
直觉上来看这是对的
如果你往右移动了这段距离
在期望上你是到了你想到的地方
但你会丢失信息 因为你的移动本来就会丢失信息
表现在这里的误差上
这里的数学计算真的非常 非常容易
新平均值等于旧平均值加上运动 常称作 U
假设你运动了 10 米 这里将是 10 米
而新的 sigma 平方等于旧的 sigma 平方
加上运动的高斯分布方差
这就是你所需要知道的一切 只是一个简单的加法
我不会对此加以证明 因为这真的不重要
但总的来说 我们在这里得到了一个高斯分布
我们有关于运动的高斯分布 U为平均值

Spanish: 
y r² como su incertidumbre del movimiento,
y la gaussiana resultante en el paso de predicción sólo suma estas 2 cosas:
μ más U y σ² más r².
Puesto que esto es tán simple, dejeme hacerle una pregunta.
Tenemos una gaussiana antes de la etapa de predicción
donde mu es igual a 8 y σ² es igual a 4.
Entonces nos movemos hacia la derecha un total de 10,
con una incertidumbre de movimiento de 6.
Traza la gaussiana de la predicción
y dame la nueva μ y la nueva σ².

Chinese: 
而 R 平方为运动本身的误差
预测步骤得到的新的高斯分布只是将两者加起来——
mu 加 U 而 sigma 平方加 R 平方
既然这么简单 让我测验一下你
我们在预测步骤前有一个高斯分布
它的 mu 平方为 8 而 sigma 平方等于 4
然后我们向右运动了 10
运动的误差是 6
现在向我描述预测的高斯分布

Russian: 
и R квадрат как свою собственную неточность движений,
и в результате гауссово, в предсказании шага просто добавляет эти 2 вещи -
mu плюс U и сигма-квадрат плюс R площади.
Поскольку это было так просто, позвольте мне вас проверить.
У нас есть гауссово, до шага прогноза
которое mu равен 8 и сигма квадрат равен 4.
Затем мы переходим в право в общей сложности 10
с неопределенностью движения 6.
Теперь опиши мне предположение гауссово

Japanese: 
動作の不確実さを表すR²です
推測の結果で生じるガウス分布は
この2つを足すだけで
μ＋Uとσ²＋R²です
とても簡単なので問題を出しましょう
推測する前のガウス分布があります
μ＝8でσ²＝4です
右の方向へ全部で10動くとします
動作の不確実性は6です
では推測のガウス分布を描いてください
新しいμとσ²も出してみてください

Japanese: 
R2乗が 動きの不確かさです
その結果 予測ステップの ガウス分布は この 2つを足したもの
つまり mu+Uと σ2乗+R2乗 になります
あまりにも簡単だったので クイズを 出しましょう
予測ステップの前の ガウス分布で
mu=8 そして σ2乗=4 だとします
そこから 右方向へ 10だけ動き
動きの不確かさが 6だとします
予測の ガウス分布は どうなりますか

English: 
and r-squared as its own motion uncertainty,
and the resulting Gaussian in the prediction step just adds these 2 things up--
mu plus U and σ² plus r-squared.
Since this was so simple, let me quiz you.
We have a Gaussian before the prediction step
which mu equals 8 and σ² equals 4.
We then move to the right a total of 10,
with a motion uncertainty of 6.
Now describe to me the predictive Gaussian
and give me the new mu and the new σ².

Chinese: 
并且给我新的 mu 以及新的 sigma 平方

Japanese: 
新しい muと 新しいσ2乗は いくつになりますか

Russian: 
и дайте мне новые mu и новые квадратные сигма.
