拡張カルマンフィルタ(EKF)同時ローカリゼーションとマッピング(SLAM)は、ロボットの推定状態とマップ機能の不確実性を表すコバルマトリクスで、未知の環境のマップを構築するための技術です。この記事では、EKF-SLAMの重要なコンポーネントが、ロボットの推定状態とマップ機能の不確実性を表すコバルマトリクスです。この記事では、EKF-SLAM内のコバルマを計算するためのステップバイステップのプロセスを提供します。

コバリンス・マトリックスの初期化

プロセスは、コバリンス行列を初期化し、通常、P と表記されます。この行列は、ロボットのポーズとマップ機能の不確実性を兼ね備えています。初期のコバリアンスは、ロボットの開始位置と既知の機能における初期の自信を反映しています。

予測ステップ

予測フェーズでは、ロボットのモーションモデルが新しい状態を推定するために使われます。コワリアンスマトリクスは、Fと表記されるモーションモデルのジェイコブアンを使用し、プロセスノイズコワリアンス、Qで更新されます。アップデートは次のとおりです。

P]pred[] = F P F + Q

測定でステップを更新する

センサー測定が受け取れると、コワリアンス行列が更新され、この情報を組み込むことができます。測定モデルのジェイコブアン、H、測定ノイズコワランス、Rは、カルマンゲイン、Kを計算するために使用されます。

K = P] リード H] ] (H P) []] [[ [ + R] ] - [ ]]

共和党行列は、次のように更新されます。

[]P]upd[]] = (I - K H) P[pred[]

地図を組み込む機能

共鳴行列は、マップ機能を含むように拡大し、新しい機能としてサイズの増加が加えられます。各更新は、ロボットのポーズと機能と関連した不確実性を調整し、マップとローカリゼーションの全体的な不確実性を一貫した推定を維持します。