कण फिल्टर रोबोट स्थानीयकरण के लिए एक लोकप्रिय विधि है, जिससे रोबोट को पर्यावरण के भीतर अपनी स्थिति का अनुमान लगाने की अनुमति मिलती है। वे अनिश्चितता और शोर सेंसर डेटा को संभालने के लिए प्रोबिलिस्टिक मॉडल पर भरोसा करते हैं। गणितीय नींव को समझना प्रभावी स्थानीयकरण एल्गोरिदम डिजाइन करने में मदद करता है।

बायेसियन फ्रेमवर्क

कण फिल्टर बायेसियन फ़िल्टरिंग पर आधारित होते हैं, जो समय के साथ रोबोट के राज्य के संभावित वितरण को अद्यतन करता है। मुख्य विचार में दो चरण शामिल हैं: भविष्यवाणी और अद्यतन। भविष्यवाणी नए राज्य का अनुमान लगाने के लिए रोबोट के गति मॉडल का उपयोग करती है, जबकि अद्यतन इस अनुमान को परिष्कृत करने के लिए सेंसर माप को शामिल करता है।

गणितीय मॉडल

रोबोट की स्थिति एक संभावना वितरण (P(x t) द्वारा दर्शायी जाती है, जो कि एक समस्या है (p(x t) | z {1:t}))) जहां (x t) समय पर राज्य है (t ), (z {1:t}) सेंसर माप हैं, और ( u {1:t}) नियंत्रण इनपुट हैं। कण फ़िल्टर इस वितरण को भारित कणों के एक सेट के साथ लगभग करता है:

({x t^{[i]}, w t^{[i]}} {i=1}^N) , जहाँ प्रत्येक कण (x t^{[i]}) का एक संबद्ध भार (w t^{[i]}) है। भार को कण राज्य को दिए गए सेंसर माप की संभावना के आधार पर अद्यतन किया जाता है।

Resampling प्रक्रिया

Resampling कण degeneracy को रोकने के लिए एक महत्वपूर्ण कदम है, जहां अधिकांश वजन लापरवाह हो जाते हैं। इसमें समान वजन के साथ एक नया सेट बनाने के लिए अपने वजन के आधार पर कणों का चयन करना शामिल है। यह प्रक्रिया संभावना वितरण का एक प्रतिनिधि नमूना बनाए रखती है।

  • कणों की प्रारंभिकता
  • प्रस्ताव मॉडल का उपयोग करके भविष्यवाणी
  • सेंसर डेटा के साथ वजन अद्यतन
  • उच्च संभावना कणों पर ध्यान केंद्रित करने के लिए Resampling