Stapsgewijze berekening van de matrixen van de cultivatie van de cultivatie in Ekf-slam
Extended Kalman Filter (EKF) Gelijktijdige lokalisatie en Mapping (SLAM) is een techniek die wordt gebruikt in robotica om een kaart van een onbekende omgeving te bouwen terwijl tegelijkertijd de positie van de robot binnenin wordt bepaald. Een belangrijk onderdeel van EKF-SLAM is de covariummatrix, die de onzekerheid in de geschatte toestand van de robot en de kaartfuncties weergeeft. Dit artikel voorziet in een stapsgewijze procedure voor het berekenen van covariummatrices binnen EKF-SLAM.
Initialisatie van de matrix van de hoornvliesholte
Het proces begint met het initialiseren van de covariummatrix, meestal aangeduid als P. Deze matrix combineert de onzekerheden van de pose van de robot en de kaart kenmerken. De initiële covouriteit weerspiegelt het aanvankelijke vertrouwen in de startpositie van de robot en de bekende kenmerken.
Voorspelling stap
Tijdens de voorspellingsfase wordt het bewegingsmodel van de robot gebruikt om de nieuwe toestand te schatten. De covariummatrix wordt bijgewerkt met behulp van de Jacobiaanse van het bewegingsmodel, aangeduid als F, en het procesgeluids-covarium, Q. De update volgt:
Ppred = F P FT + Q
Stap bijwerken met metingen
Bij de ontvangst van nieuwe sensormetingen wordt de covariummatrix aangepast om deze informatie te verwerken. Het meetmodel Jacobian, H, en het meetgeluids-covarium R, worden gebruikt om de Kalman-winst te berekenen, K:
K = Ppred HT (H P[pred HT[ + R)-1
De covariummatrix wordt vervolgens bijgewerkt als:
Pupd = (I-K H) P[pred
Bevat kaartfuncties
De covouriteitsmatrix breidt uit naar kaartfuncties, die naarmate nieuwe functies worden toegevoegd, groter worden. Elke update past de onzekerheid aan die zowel de houding van de robot als de kenmerken van de robot met zich meebrengt, waarbij een consistente schatting van de totale onzekerheid in de kaart en de localisatie wordt gehandhaafd.