Ana sensörü olarak bir kameraya sahip bir robot için 'inanç alanı' planlamasını uygulamaya çalışıyorum. SLAM'a benzer şekilde, robotun 3D nokta haritası vardır ve her adımda çevre ile 2D-3D eşleştirme gerçekleştirerek lokalize olur. Bu sorunun amacı için haritanın değişmediğini varsayıyorum.

İnanç alanı planlamasının bir parçası olarak, robotu başlangıçtan hedefe götüren, ancak yerelleştirme doğruluğunu her zaman en üst düzeye çıkaracak şekilde yollar planlamak istiyorum. Bu nedenle, aslında oraya hareket etmeden robotun olası durumlarını ve robotun bu eyaletlerde olsaydı yapacağı gözlemleri, birlikte (yanlışsam beni düzeltin), robotun 'inancını' oluşturan daha sonra bu noktalardaki lokalizasyon belirsizliğini kodlar. Ve sonra planlamacım bana en az belirsizliği (kovaryans) veren düğümleri bağlamaya çalışacaktı.

Bu kamera tabanlı robot için yerelleştirme belirsizliğim tamamen belirli bir konumdan kaç özellik noktasının göründüğü, robotun yön açısı vb.Gibi şeylere bağlı olduğu için: Belirli bir örnekte yerelleştirmemin ne kadar 'kötü' olduğuna dair bir tahmine ihtiyacım var onu atmam gerekip gerekmediğini belirlemek. Oraya ulaşmak için, bunun için ölçüm modelini nasıl tanımlarım, kameranın ölçüm modeli mi yoksa robotun konumu ile ilgili bir şey mi? Ölçümlerimi önceden nasıl 'tahmin edebilirim' ve bu tahmin edilen ölçümler aracılığıyla robotun kovaryansını nasıl hesaplayabilirim?

DÜZENLEME: Benim için temel referans , İnanç Yolu Haritaları yönteminin bir uzantısı olan Rastgele İnanç Ağaçlarını hızla keşfetme fikri . Başka bir ilgili makale kısıtlı planlama için RRBT'leri kullanmaktadır. Bu makalede, durumlar grafik olarak köşeler olarak gösterilen geleneksel RRT'lere benzer şekilde örneklenmiştir, ancak köşeler bağlanacağı zaman algoritma, mevcut tepe noktasından yeni inanca yayılır (Bölüm V, 1'de PROPAGATE işlevi ) ve burada sıkışıp kaldım: İnancımı bir kenara doğru ilerletmeden ve yeni ölçümler almadan nasıl ilerletebileceğimi tam olarak anlamıyorum, böylece lokalizasyondan yeni kovaryanslar. RRBT kağıdı "kovaryans tahmini ve maliyet beklentisi denklemleri PROPAGAT işlevinde uygulanır": ancak yalnızca tahmin kullanılırsa, gelecekteki konumda yerelleştirme doğruluğunu artırabilecek / bozabilecek yeterli özellik olup olmadığını nasıl anlayabilir?

Kamera bilgiliğini modellemek ve sıfır gürültülü ölçümleri simüle etmek için yalnızca rulman konumlandırmayı kullanın (örn. Yenilik yok).

Çeşitli nedenlerden ötürü, bu aslında teorik olarak yolun bilişselliğini tahmin etmenin sağlam bir yoludur.

Fisher Information Matrix gibi birçok "ölçümsüz" bilgilendirici metrik vardır . İhtiyacınız olan tek şey, dönüm noktası konumlarını ölçerek robotun konumu hakkında ne kadar bilgi elde edileceğini belirlemek için robotun konumları ve haritadaki yer işaretlerinin konumlarıdır. (Ya da tam tersi, ölçümlerden gelen yenilik hem hedefe hem de robota uygulanır (SLAM doğru mu?), Bu nedenle her ikisi için de aynı metrik çalışır).

Bir yatak sensörü ile başlardım, çünkü bu iyi, iyi kabul gören bir vizyon sensörünün modeli. Dünyadaki özellikleri bulmada birkaç piksel hata olduğunu varsayarak yatak ölçümlerindeki "gürültüyü" bulun. Sistemin durumu, robotun konumu artı belirsizliği olsun ve ardından yolları (önerdiğiniz gibi) örnekleyin. Örneklenen yoldaki her bir konumdan, tahmin edilen belirsizliği FIM kullanarak yeniden hesaplardım . Bunu yapmak zor değil, sadece ölçümlerde hata olmadığını varsayalım (yani, robotun inancı hakkında "yenilik" olmayacak, ancak yine de robotun konum tahmininde kovaryansın daralmasıyla temsil edilen belirsizlikte bir düşüş yaşayacaksınız. sadece sorunu basitleştirmek için yer işaretlerinin konumlarını veya belirsizliklerini güncellemeyin.

Bu, bu literatürdeki son incelememde hatırladığımdan oldukça iyi anlaşılmış bir yaklaşımdır, ancak sözümü almayın (kendinizi inceleyin!). En azından bu simüle edilmesi kolay bir temel yaklaşım oluşturmalıdır. Edebiyatın gücünü kullanalım. Bu tezi düzenler ve denklemler için inceleyebilirsiniz.

Özetleme

1. $x$$\Sigma$
2. $\Sigma_i$
3. Yörüngenin "maliyeti", hedefe ve kovaryansın tersine doğru ilerlemenin dışbükey bir birleşimi olsun (ör. Bilgi matrisi )

Bazı incelikler

Mantıklı olan en küçük durum vektörünü kullanın. Robotun kamerayı hareketten bağımsız olarak yönlendirebileceğini veya birden fazla kameraya sahip olduğunu varsayabilirseniz, yönü görmezden gelin ve konumu izleyin. Sadece 2D pozisyonlarda ilerleyeceğim.

Doğrusallaştırılmış sistemi türetmeniz gerekecek, ancak yukarıdaki tezden ödünç alabilirsiniz. ölçüm simülasyonu ile uğraşmamaya dikkat edin (örn., sadece "simülasyon ölçümleri" ile EKF güncellemeleri yaparsanız, ölçümlerin doğru ve gürültüsüz olduğunu varsayalım.

Woodbury matris kimliğini uygularsak

$n$

$R$$\sum_{i=1}^n H_i^TR^{-1}H_i$

$H$$H$$nx2$$n$$n$$2$$R$$n\times n$$\sigma I_{n\times n}$$\sigma$

Ölçüm denklemi nedir? Onun

$t$$r$

Özyinelemeyi çözme. Ben şöyle devam ederdim:

1. Belirsizliği dikkate almadan yolunu bulan bir yol arama algoritması yazın.
2. $H$
3. $trace(H^TRH)$
4. Sonucun yörüngenin FIM'i ile eşleştiğine dikkat edin (okuyucuya bırakılan egzersiz) ve en bilgilendirici yörüngeyi doğru ve teorik olarak sağlam bir şekilde belirlediğinize dikkat edin.