Extended Kalman Filter (EKF) Simpultaneous Localization and Mapping (SLAM) adalah teknik yang digunakan dalam robotika untuk membangun peta lingkungan yang tidak diketahui saat secara bersamaan menentukan posisi robot di dalamnya. Komponen kunci EKF-SLAM adalah matriks kovariansi, yang mewakili ketidakpastian dalam keadaan perkiraan robot dan fitur peta. Artikel ini menyediakan proses langkah-berdasarkan matriks kovariansi dalam EKF-SLAM.

Inisiasi dari Matriks Pelarasan

Proses dimulai dengan inisialisasi matriks kovariansi, biasanya didenosikan sebagai P. Matriks ini menggabungkan ketidakpastian pose robot dan fitur peta. Kovarian awal mencerminkan kepercayaan awal pada posisi awal robot dan fitur yang diketahui.

Langkah Ramalan

Selama fase prediksi, model gerak robot digunakan untuk memperkirakan keadaan baru. Matriks kovarian diperbarui menggunakan Jacobian dari model gerakan, dinotasikan sebagai F, dan kovariansi kebisingan proses, Q. Pemutakhiran berikut:

[[GALAL:0]]Ppred = F P FT + Q]

Langkah Pemutakhiran dengan Pengukuran

Ketika pengukuran sensor baru diterima, matriks kovarian diperbarui untuk menggabungkan informasi ini. model pengukuran Jacobian, H, dan pengukuran covarian kebisingan, R, digunakan untuk menghitung keuntungan Kalman, K:

tool pred HT (H P]pred[ HT] + R)]:1]][FLT]]

Matriks kovariansi ougon kemudian diperbarui sebagai:

[[GALAL:0]]Pupd = (I - K H) Ppred

Fitur Peta yang Menggabungkan

Matriks kovariansi estimasi variansi berkembang untuk memasukkan fitur peta, meningkat dalam ukuran sebagai fitur baru ditambahkan. Setiap pembaruan menyesuaikan ketidakpastian yang terkait dengan pose robot maupun fitur, mempertahankan perkiraan konsisten dari ketidakpastian keseluruhan dalam peta dan lokalisasi.