Skip to main content
LibreTexts - Ukrayinska

11: Одночасна локалізація та відображення

  1. Last updated
  2. Save as PDF
  • Page ID
    32178

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

    Роботи здатні відстежувати своє положення, використовуючи модель шуму, що виникає в їх трансмісії, та їх кінематику вперед, щоб поширювати цю помилку в функцію просторової щільності ймовірності (розділ 8.2). Дисперсія цього розподілу може зменшитися, як тільки робот бачить унікальні ідентифіковані функції з відомими місцями. Це можна зробити для дискретних місць за допомогою правила Байєса (розділ 9.2) та для неперервних розподілів за допомогою розширеного фільтра Калмана (розділ 11.3). Ключовим розумінням тут було те, що кожне спостереження зменшить дисперсію оцінки позиції робота. Тут фільтр Калмана здійснює оптимальне злиття двох спостережень, зважуючи їх з їх дисперсією, тобто недостовірна інформація рахується менше достовірної. У задачі локалізації робота одним із спостережень, як правило, є оцінкою положення робота, тоді як інше спостереження походить від функції з відомим розташуванням на карті. Поки що ми припускали, що ці локації відомі. У цій главі буде представлено

    • поняття коваріації (або, про що всі недіагональні елементи в коваріаційній матриці),
    • як одночасно оцінити місцезнаходження робота та особливості на карті (Одночасна локалізація та відображення або SLAM)