9: Локалізація

Last updated
Save as PDF

Page ID: 32080

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

Роботи використовують датчики та виконавчі механізми, які схильні до невизначеності. У розділі 8 описано, як кількісно оцінити цю невизначеність за допомогою функцій щільності ймовірності, які пов'язують ймовірність з кожним можливим результатом випадкового процесу, наприклад, зчитуванням датчика або фактичною фізичною зміною виконавчого механізму. Можливим способом локалізації робота в його середовищі є витяг функцій високого рівня (Глава 7), таких як відстань до стіни з ряду різних датчиків. Оскільки основні вимірювання невизначені, ці вимірювання будуть піддаватися невизначеності. Як обчислити невизначеність функції з невизначеності датчиків, які виявляють цю особливість, охоплюється законом поширення помилок. Ключовим розумінням є те, що дисперсія функції - це зважена сума відхилень усіх датчиків, зважена їх впливом на цікаву функцію. Цей вплив можна наблизити похідною функції, яка відображає вхід датчика для вимірювання функції.

На жаль, невизначеність продовжує поширюватися без можливості корекції вимірювань. Цілі цієї глави - представити математичні інструменти та алгоритми, які дозволять вам фактично зменшити невизначеність вимірювання, поєднуючи його з додатковими спостереженнями. Зокрема, в цій главі буде висвітлено

Використання орієнтирів для підвищення точності оцінки дискретного положення (Маркова локалізація)
Апроксимаційні оцінки безперервного положення (фільтр частинок)
Оптимальне злиття датчика для оцінки безперервної оцінки положення (Extended Kalman Filter)