パーティクルフィルタは、ロボットのローカリゼーションに人気があり、ロボットが環境内で自分の位置を推定することができます。 彼らは、不確実性と騒々しいセンサーデータを処理するために、確率的モデルに依存しています。 数学的基礎を理解することは、効果的なローカリゼーションアルゴリズムの設計に役立ちます。

ベイジアンフレームワーク

パーティクルフィルタは、ベイジアンフィルタリングに基づいており、ロボットの状態の確率分布を時間とともに更新します。コアの考え方は、予測と更新の2つのステップを含みます。予測は、ロボットのモーションモデルを使用して、新しい状態を推定し、更新はセンサー測定を組み込んでこの推定を精製します。

数学モデル

ロボットの状態は、確率分布(p(x t | z {1:t}, u {1:t})で表されます。(x t )は、時(t )の状態で、(z {1:t} )はセンサー測定であり、(u {1:t})は制御入力です。粒子フィルタは、この分布を重み粒子のセットで指しています。

({x t^{[i]}, w t^{[i]}}), 各粒子(x t^{[i]})が関連する重み(w t^{[i]})を持ちます。 ). 粒子状態を示すセンサー測定の不透明度に基づいて、重量が更新されます。

再サンプル処理

再サンプリングは、ほとんどの重量が無視される粒子の出生を防ぐための重要なステップです。それは、同じ重量で新しいセットを形成するために、自分の体重に基づいて粒子を選択することを含みます。このプロセスは、確率分布の代表的なサンプルを維持します。

  • 粒子の初期化
  • モーションモデルを用いた予測
  • センサーデータによる重量更新
  • 高性能粒子にフォーカスするリサンプリング