रोबोट लोकीकरण में विस्तारित कलामन फ़िल्टर के गणितीय फाउंडेशन

विस्तारित कलमैन फ़िल्टर (EKF) रोबोट स्थानीयकरण में एक व्यापक रूप से इस्तेमाल किया जाने वाला एल्गोरिदम है। यह रोबोट की गति के गणितीय मॉडल के साथ सेंसर डेटा को जोड़कर रोबोट की स्थिति और अभिविन्यास का अनुमान लगाता है। EKF की गणितीय नींव को समझना प्रभावी कार्यान्वयन और ट्यूनिंग के लिए आवश्यक है।

राज्य प्रतिनिधित्व और भविष्यवाणी

EKF के मूल में रोबोट के राज्य को वेक्टर के रूप में दर्शाना शामिल है, जिसमें आमतौर पर स्थिति और अभिविन्यास शामिल है। भविष्यवाणी चरण समय में वर्तमान राज्य को आगे बढ़ाने के लिए एक गैर-रेखीय गति मॉडल का उपयोग करता है। इसमें वर्तमान अनुमान के आसपास गैर-रेखीय समीकरणों को रैखिक बनाने के लिए मोशन मॉडल के जैकोशियन मैट्रिक्स की गणना शामिल है।

मापन अद्यतन और रैखिककरण

सेंसर माप अद्यतन चरण के माध्यम से शामिल किए जाते हैं। चूंकि माप अक्सर राज्य के गैर-रैखिक कार्य होते हैं, इसलिए EKF अपने जैकबियन का उपयोग करके इन कार्यों को रैखिक बनाता है। यह प्रक्रिया अपेक्षित और वास्तविक सेंसर रीडिंग के बीच अंतर के आधार पर भविष्यवाणी की गई अवस्था को समायोजित करती है।

गणितीय समीकरण

भविष्यवाणी समीकरण हैं:

राज्य भविष्यवाणी:

x 1 + 1 = f(xk, uk)

]कोविरेंस भविष्यवाणी:

Pk+1 — = Fk Pk Fkt + Qk

जहां f गैर-रेखा गति मॉडल है, Fk इसका जैकबियन है, P, covariance मैट्रिक्स है, और Q प्रक्रिया शोर covariance है।

अद्यतन समीकरण हैं:

]Kalman लाभ:

Kk = Pk - Hkt (Hk Pk - Hkt + Rk) -1

राज्य अद्यतन:

xn = xk = xk = + Kk (zk - h(xk))

]Covariance अद्यतन:

Pk = (I - Kk Hk) Pk

यहाँ, एच गैर-रेखीय माप मॉडल है, एचके इसकी जैकबियन है, आरके माप शोर कोवर्नेंस है, और zk वास्तविक सेंसर माप है।