فیلترهای ذرات یک روش محبوب برای محلی سازی ربات هستند که به ربات ها اجازه می دهد موقعیت خود را در یک محیط تخمین بزنند.آنها به مدل های بی ثبات برای رسیدگی به عدم اطمینان و داده های سنسور پر سر و صدا متکی هستند. درک پایه های ریاضی کمک می کند تا الگوریتم های محلی موثر را طراحی کنند.

OX Framework

فیلترهای ذرات بر اساس فیلترینگ zi هستند که توزیع احتمال حالت ربات را در طول زمان به روز می کند.ایده اصلی شامل دو مرحله است: پیش بینی و به روز رسانی پیش بینی از مدل حرکت ربات برای برآورد وضعیت جدید استفاده می کند، در حالی که به روز رسانی شامل اندازه گیری سنسور برای اصلاح این برآورد است.

مدل ریاضی

حالت ربات توسط توزیع احتمال ( p(x t | z {1:t) ، u {1:t) نشان داده می شود ، جایی که ( x t) حالت در زمان ( t) ، ( z {1t) اندازه گیری سنسور است و ( u {1t} ورودی ها را کنترل می کنند.

( {x t^{i} ، w t^{ [i]}} {i=1 ⁇ N) ، که هر ذره ( x t^{[i]) دارای وزن مرتبط ( w t^{ [i]) است.

فرآیند اصلاح

اصلاح یک گام کلیدی برای جلوگیری از ضعف ذرات است، که در آن اکثر وزنه ها ناچیز می شوند، این شامل انتخاب ذرات بر اساس وزن خود برای تشکیل یک مجموعه جدید با وزن برابر است.این فرایند یک نمونه نماینده از توزیع احتمال را حفظ می کند.

  • آغاز ذرات
  • پیش بینی با استفاده از مدل حرکت
  • به روز رسانی وزن با داده های سنسور
  • اصلاح برای تمرکز بر ذرات با قابلیت بالا