Genişletilmiş Kalman Filtre (EKF) Simultane Localization ve Mapping (SLAM) robotun tahmin edilen durumdaki durumu ve harita özelliklerini temsil eden bir tekniktir.Bu makale aynı anda robotun konumunun içinde belirlemesinde bir adım adım adım adım adım adım adım adım adım adım adım adım adım adım adım atıyor.

Covariance Matrix

Süreç, eş değişkenlik matrisinin başlangıcıyla başlar, genellikle P. Bu matrix robotun pozunun belirsizliğini birleştirir ve harita özellikleri. İlk tutarlılık robotun başlangıç pozisyonuna ve bilinen özelliklere olan ilk güven yansıtır.

Prediction Step

Tahmin aşamasında, robotun hareket modeli yeni durumu tahmin etmek için kullanılır. Eş değişkenlik matrisi, F olarak gösterilen hareket modeli Jacobian kullanılarak güncellenir ve işlem gürültüsü tutarlılığı, Q. The update:

[FONT:0)P [Döndilmiş ) = F P F[DÜ:3)[DÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜye Değerler: 3)

Update Step with Measurements

Yeni sensör ölçümleri alındığında, kovariance matrix bu bilgiyi içerecek şekilde güncellenir. ölçüm modeli Jacobian, H ve ölçüm gürültüsü covariance, R, Kalman kazanımı hesaplamak için kullanılır, K:

[FONT=0)K = P[DÜDÜDÜDÜŞÜNÜ: 2) [DÜDÜDÜDÜDÜDÜDÜŞÜNÜ TÜSİAD: [8]

Covariance matrix daha sonra güncellenmiştir:

[FONT:0)P = (I - K H) P)[FLT: 4][FLT: 5).

Network Özellikleri

Covariance matrix harita özellikleri içerecek şekilde genişletilir, boyut içinde yeni özellikler eklenir.Her güncelleme robotun pozu ve özellikleri ile ilişkili belirsizlikleri ayarlar, haritada ve yerelleştirmede tutarlı bir tahmin sağlar.