Ang mga partikulo filter ay isang popular na paraan para sa robot lokalisasyon, na nagpapahintulot sa mga robot na tantiyahin ang kanilang posisyon sa loob ng isang kapaligiran.Umaasa sila sa mga modelong probabilistiko upang pangasiwaan ang mga hindi katiyakan at maingay na impormasyong sensor.Ang pag-unawa sa mga pundasyong matematikal ay tumutulong sa pagdidisenyo ng epektibong mga algorithm sa lokalisasyon.

Framemework ng Bayesian

Ang mga partikulo filter ay batay sa Bayesian salain, na nagreresulta sa distribusyon ng isang estado ng robot sa paglipas ng panahon.Ang core idea ay kinasasangkutan ng dalawang hakbang: prediksiyon at update. Ang prediksiyon ay gumagamit ng mosyon ng robot upang tantiyahin ang bagong estado, habang ang update ay nag-ilakip ng mga sukat ng sensor upang dalisayin ang tantiyang ito.

Modelo sa Matematika

Ang estado ng robot ay kinakatawan ng isang distribusyong probabilidad ( p(x title z i ⁇ 1:t ⁇ , u i ⁇ 1:t ⁇ ), kung saan ( x t ) ang estado sa oras ( t ), ( ⁇ ⁇ ⁇ ) ay ang sukat ng sensor, at ( u i ⁇ 1:t ⁇ ) ang control input. Ang particle filter na ito ay nagrereresulta sa distribusyon na may isang set ng mga partikulo:

( ⁇ x t i ⁇ [i] ⁇ , w t i ⁇ [i] ⁇ i ⁇ i=1 ⁇ N ), kung saan ang bawat particle ( x t^[i] ⁇ ) ay may kaugnay na timbang ( w t^ ⁇ [i] ⁇ ). Ang mga timbang ay ina-update batay sa posibilidad ng mga sukat ng sensor na ibinigay sa estadong particle.

Pagbalik sa Dating Paraan

Ang muling pag-aalsa ay isang susing hakbang upang maiwasan ang pag-iiba ng particle, kung saan ang karamihan ng mga timbang ay nagiging balewala. Nasasangkot dito ang pagpili ng mga particle batay sa kanilang mga timbang upang bumuo ng isang bagong set na may pantay na mga timbang.Ang prosesong ito ay nagpapanatili ng isang kinatawang sampol ng distribusyon ng probabilidad.

  • Pag - a - insignasyon ng mga partikula
  • Hula na gumagamit ng motion model
  • Pag - update sa timbang na may datos ng sensor
  • Nagreresulta sa pagtuon sa mga high-probability particle