Extended Kalman Filter (EKF) Simultanous Localization and Mapping (SLAM) er en teknikk som brukes i robotikk til å bygge et kart over et ukjent miljø mens det samtidig bestemme robotens posisjon i det. En nøkkelkomponent i EKF-SLAM er kovariansmatrisen, som representerer usikkerheten i robotens estimerte tilstand og kartfunksjonene. Denne artikkelen gir en trinnvis prosess for å beregne kovariansmatriser innen EKF-SLAM.

Initialisering av kovariansmatrise

Prosessen starter med å starte kovariansmatrisen, typisk betegnet som P. Denne matrisen kombinerer usikkerheten i robotens positur og kartfunksjonene. Den første kovariansen gjenspeiler den opprinnelige tilliten til robotens startposisjon og de kjente funksjonene.

Forutsigelsessteg

I løpet av forutsigelsesfasen brukes robotens bevegelsesmodell til å estimere den nye tilstanden. Kovariansmatrisen oppdateres ved hjelp av Jacobian av bevegelsesmodellen, betegnet som F, og prosessstøykovariansen, Q. Oppdateringen følger:

P]pred = F P F]T + Q]

Oppdater trinn med målinger

Når nye sensormålinger mottas, oppdateres kovariansmatrisen for å inkludere denne informasjonen. Målemodellen Jacobian, H og målestøykovariansen R brukes til å beregne Kalman-gevinsten, K:

K = P pred H] T (H P]]pred H] T + R]]-1]]

Kovariansmatrisen oppdateres deretter som:

P]upd = (I - K H) Ppred]

Innebygge kart Funksjoner

Kovariansmatrisen utvides til å omfatte kartfunksjoner, øke i størrelse etter hvert som nye funksjoner legges til. Hver oppdatering justerer usikkerheten knyttet til både robotens positur og funksjonene, og opprettholder et konsistent estimat av den generelle usikkerheten i kartet og lokalisering.