Extended Kalman Filter (EKF) Simultaneous Localization and Mapping (SLAM) är en teknik som används i robotik för att bygga en karta över en okänd miljö samtidigt som man bestämmer robotens position inom den. En nyckelkomponent i EKF-SLAM är kovariansmatrisen, som representerar osäkerheten i robotens uppskattade tillstånd och kartfunktionerna. Denna artikel ger en steg-för-steg-process för att beräkna kovariansmatriser inom EKF-SLAM.

Initialisering av kovariansen Matrix

Processen börjar med att initiera kovariansmatrisen, som vanligtvis betecknas som P. Denna matris kombinerar osäkerheten i robotens pose och kartfunktionerna. Den ursprungliga kovariansen återspeglar det ursprungliga förtroendet för robotens startposition och de kända funktionerna.

Förutsägelsesteg

Under prognosfasen används robotens rörelsemodell för att uppskatta det nya tillståndet. Kovariansmatrisen uppdateras med hjälp av Jacobian av rörelsemodellen, betecknad som F och processbuller covariance, Q. Uppdateringen följer:

][[]][]] = F P F[]]]][]]] + Q]]

Uppdatera steg med mätningar

När nya sensormätningar tas emot uppdateras kovariansmatrisen för att införliva denna information. Mätningsmodellens Jacobian, H och mätbullerkovariansen, R, används för att beräkna Kalman-vinsten, K:

]K = P[[][]] H[]]]]]]]][]]]][]]]]]]]]]][[]]]]]]]]]]]]][[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[FLT]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]

Kovariansmatrisen uppdateras sedan som:

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

Införliva kartafunktioner

Kovariansmatrisen expanderar till att inkludera kartfunktioner, ökande i storlek som nya funktioner läggs till. Varje uppdatering justerar osäkerheten i samband med både robotens pose och funktionerna, upprätthålla en konsekvent uppskattning av den totala osäkerheten i kartan och lokaliseringen.