学年第一学期第十一讲机器人导论.pptVIP

Kalman Filter for Mobile Robot Localization测量预测/Measurement Prediction: Example 生成的测量预测必须变换到机器人坐标系{R}中 坐标变换可表示成 其雅克比为 5.6.3 Kalman Filter for Mobile Robot Localization匹配/Matching 传感器获得的观测 zj(k+1) 到地图存储目标 zt 的关联 每个测量预测计算新息: 利用误差传播律可得到新息的方差 采用马氏（Mahalanobis）距离度量测量和预测关联的有效性 5.6.3 Kalman Filter for Mobile Robot Localization匹配/Matching: Example 5.6.3 Kalman Filter for Mobile Robot Localization匹配/Matching: Example 利用采用马氏距离找到预测和观测特征的关联关系 其中 5.6.3 Kalman Filter for Mobile Robot Localization估计/Estimation: Applying the Kalman Filter 卡尔曼滤波器增益 更新机器人位置估计 其方差为 5.6.3 Kalman Filter for Mobile Robot Localization估计/Estimation: 1D Case 一维的情形 我们可以证明 5.6.3 Kalman Filter for Mobile Robot Localization估计/Estimation: Example 卡尔曼滤波器估计机器人位置 : 紫色是机器人位置的预测。 绿色是新息 红色是机器人位置的更新 5.6.3 ? R. Siegwart, I. Nourbakhsh 2012-2013学年第一学期第十一讲机器人导论 王国利 信息科学与技术学院 中山大学 实现定位的五个环节/The Five Steps for Map-Based Localization 传感器观测 地图数据库 位置预测 感知 匹配 估计/融合 裸传感数据 提取的特征 预测值 位置估计 匹配的预测 及观测 是 编码器 1. 基于里程计及先前的估计实现的预测 2. 传感器完成的在线观测 3. 预测和地图完成对测量的预测 4. 观测与地图的匹配 5. 估计 ? 更新位置 (后验位置估计) 5.6.1 概率地图实现的定位/Probabilistic, Map-Based Localization (1) 考虑机器人在已知的环境中移动 当开始移动时, 即从以精确已知的位置出发, 可以使用里程计跟踪其位置。 然而，经过一段时间，其位置信息将有可能变得不确定了. ? 可以通过观察环境更新或修正其位置信息。 环境观察的方式可以与里程计融合， 实现机器人位置的更好估计。 5.6.1 概率地图实现的定位/Probabilistic, Map-Based Localization (2) 动作更新/Action update 动作模型/action model ACT这里 ot: 编码器测量值, st-1: 先验信念状态（prior belief state） 不确定性增长 感知更新/Perception update 感知模型/perception model SEE这里 it: 外部感受传感器输入, s’1: 更新信念状态 不确定性降低 5.6.1 概率地图实现的定位/Probabilistic, Map-Based Localization (3) 5.6.1 传感器观测 地图数据库 位置预测 感知 匹配 估计/融合 裸传感数据 提取的特征 预测值 位置估计 匹配的预测 及观测 是 编码器 概率地图实现的定位/Probabilistic, Map-Based Localization (4) 给定 位置估计/the position estimate 协方差/its covariance for time k, 当前控制输入/the current control input 当前观测/the current set of observations