Table of Contents
عدم اطمینان محلی یک عامل مهم در سیستم های ناوبری ربات است، که نشان دهنده سطح اعتماد به نفس موقعیت تخمین زده شده ربات در محیط آن است.
درک عدم قطعیت محلی
عدم اطمینان محلی از سر و صدا سنسور، تغییرات محیطی و محدودیت های الگوریتمی ایجاد می شود، به طور معمول با استفاده از مدل های بی ثبات مانند پمپ های تخمدان یا توزیع های احتمال، نشان داده می شود.این مدل ها انحراف احتمالی از موقعیت واقعی ربات را مشخص می کنند.
روش های عدم اطمینان Calculate
یک روش رایج شامل استفاده از فیلتر Kalman است که حالت یک سیستم را در طول زمان تخمین می زند. فیلتر یک ماتریس تخمدان را فراهم می کند که نشان دهنده عدم اطمینان از برآورد موقعیت است.
رویکرد دیگر فیلتر ذرات است که از فرضیه های متعدد (پلوم ها) برای نشان دادن موقعیت های احتمالی استفاده می کند. گسترش ذرات نشان دهنده عدم اطمینان است.
عدم اطمینان در عمل
برای محاسبه عدم اطمینان محلی، جمع آوری داده ها از سنسورهایی مانند GPS، LiDAR یا دوربین ها، الگوریتم های فیلترینگ را برای ادغام این داده ها و برآورد موقعیت استخراج ماتریس تخمدان یا ذرات گسترش یافته برای تعیین عدم اطمینان اعمال کنید.
نظارت بر عدم اطمینان در طول زمان به شناسایی زمانی که برآورد موقعیت ربات غیر قابل اعتماد می شود کمک می کند.این اطلاعات می تواند باعث ایجاد روش های محلی سازی مجدد یا تنظیمات در استراتژی های ناوبری شود.