Particle 필터는 로봇 현지화에 대한 인기 있는 방법이며, 로봇이 환경에 따라 위치를 추정할 수 있도록 합니다. 그들은 불확실성과 노이즈 센서 데이터를 처리하기 위해 유능한 모델에 의존합니다. 수학 기반을 이해하는 것은 효과적인 현지화 알고리즘을 설계하는 데 도움이됩니다.

Bayesian 프레임

Particle 필터는 Bayesian 필터링을 기반으로 하며, 로봇의 상태의 확률 분배를 시간 이상 업데이트합니다. 핵심 아이디어는 두 단계가 포함됩니다. 예측 및 업데이트. 예측은 새로운 상태를 추정하기 위해 로봇의 모션 모델을 사용하며 업데이트는 센서 측정을 사용하여이 견적을 정제합니다.

Mathematical 모형

로봇의 상태는 확률 분포 ( p(x t | z {1:t}, u {1:t})에 의해 표현됩니다. 여기서 ( x t )는 시간 ( t ), ( z {1:t} )는 센서 측정이며 ( u {1:t} )는 제어 입력입니다. 입자 필터는 무게 입자의 세트와 함께이 분포를 대략적으로합니다.

( {x t^{[i]}, w t^{[i]}} {i=1}^N ), 각 입자 ( x t^{[i]} )에는 관련 무게 (w t^{[i]} )가 있습니다. 무게는 입자 상태를 주어진 센서 측정의 likelihood에 따라 업데이트됩니다.

샘플링 공정

샘플링은 입자의 degeneracy를 방지하기 위해 중요한 단계이며 대부분의 무게가 눈에 띄게됩니다. 무게를 기준으로 선택 입자를 포함하고 동일한 무게로 새로운 세트를 형성합니다. 이 과정은 확률 분포의 대표 샘플을 유지합니다.

  • 입자의 초기화
  • 모션 모델 사용
  • 센서 데이터로 무게 업데이트
  • 높은 수준의 입자에 초점을 맞추는