移动机器人翻译.docVIP

贝叶斯过滤的位置估计 贝叶斯过滤技术提供了一个强大的统计工具，用来帮助管理不确定度测量执行多传感器融合和身份估计。作者调了贝叶斯过滤的实现过程，和展示了它应用在实际运用中的位置估计任务的普适计算。 位置意识对许多普适计算应用程序是非常重要的。但不幸的是，没有位置传感器能在所有情况下完美地测量或工作好。因此，写这篇文章双重的。首先，我们相信普适计算方案一个简洁的贝叶斯过滤技术调查。因为没有传感器是完美的，代表和经营上的不确定性的如贝叶斯过滤器统计工具，是在任何使用多个传感器系统的关键。 ，在许多普适计算方案中估计一个物体的位置无疑是最根本的检测任务。因此，这是一种中阐明贝叶斯过滤技术的应用自然域。统计地表示位置，使位置信息有一个统一的接口。这让我们写传感器所使用的的独立的应用程序，采用非常不同类型的传感器时，如GPS和红外徽章。定位系统的比较调查在文献中出现。 在这，我们从超声和红外线标签处融合传感器数据。我们还讨论了如何将来自匿名激光测距仪的高分辨率的位置信息和提供身份证明的低分辨率位置传感器结合。 贝叶斯过滤器 贝叶斯过滤器从嘈杂的观察环境中概率估计动态系统的状态。在普适计算的位置估计中，状态是一个人或一个物体的位置，位置传感器提供状态的观察。状态可能是一个简单的二维位置或一个复杂的载体，包括3D方位，俯仰，摇晃，偏航，线性和旋转速度。 贝叶斯过滤器表示在时间t时随机变量的状态。在每个时间点上，一个概率分布xt，叫作可信度Bel(xt)，代表不确定性。贝叶斯过滤器在包含所有信息的传感器数据条件下的数据空间中，顺序估计这种可信度。 为了说问题，让我们假定传感器的数据由一列的时间索引传感器观察z1，z2，...，zt组成。可信度Belxt)在可能的时间t所有的传感器数据的条件下被随机变量xt定义为： Bel(xt)= p(xt｜z1, z2, …, zt)(1) 简单来讲，这个可信度回答了“如果传感器测量的历史是z1，z2， ... ， zt ，人在位置x的机率是多少？”对所有可能的位置x 问题，。一般，因为传感器测量值随着时间增长计算这种较后的密度复杂性成倍增长。为了使计算简单，贝叶斯过滤器采用动力系统Markov现行状态变量xt包含了所有的相关信息。定位物体，Markov假设传感器的测量值仅取决于在某个对象的当前物理位置和对象在时间t的位置只依赖于以前的状态xt1。xt-1之前的状态提供额外的信息。 图1.贝叶斯过滤器一维图例证。一个人携带一个不能区分不同的门的门感应摄像头。每一帧描绘人在走廊上的位置和目前的可信度Belxt)：a)人的位置是未知的。 b)传感器发送一个“发现门”信号。 c)该人移动。 d)本传感器观察另一扇门。 e)人再次移动。此外，b)和d)描绘的观察模型Pz|x)，观察门在走廊不同的位置的概率。 在Markov假设，我们可以在不遗漏信息的情况下有效计算方程式1)中的可信度。在我们提供更新方程式之前，让我们简要地检查递归的贝叶斯过滤器更新步骤，如图1。在这种假设一维的情况下，一个人携带信号传感器如相机走在走廊上，如果这个人走过一扇门。该传感器不能区分不同的门。我们不建议这个移动相机场景是一个可行的定位系统实施，它只是说明重要的贝叶斯过滤器属性。 正如图1a)所示，表示了均匀分布的可能位置，位置。传感器然后发送一个“发现门”的信号。由此产生的高概率地分布在旁边的门和低概率地分布在别处见图1b))。这种分布具有三个峰，分别对应于环境难以区分中的一个门。此外，由此产生的分布很可能分配在三个明显的位置，示出的概率框架可以处理那些在模棱两可的情况下自然而然提出的多样的，矛盾的假说。最后，甚至没有门位置控制非零的概率，因为固有的不确定性;小但非零的概率，传感器可能会犯错，其实不是旁边一扇门。 图1c)示出人移动以及这个动作影响了可信度，假设人以特有的行走速度向右移动。贝叶斯滤波器改变在移动方向上的可信度和平滑考虑到运动估计固有的不确定性。最后，图1d)和1e)分别描绘传感器观察另一个门后和下一次移动之后的可信度。大多数的概率块分布在门附近的位置上，现在过滤器是相当有信心测量人的位置。 下面是如何更新贝叶斯过滤器。每当传感器提供了一个新的观察者zt，滤波器根据 预测状态。该过滤器，然后使用这个传感器观测： 校正预测估计。在这里，P（xt| xt-1）描述了系统动力学，即系统的状态如何随着时间改变。 在位置估计中，条件概率是运动模型，其中对象可能是在时间t时，考虑到它以前的位置xt-1。这模型在很大程度上依赖于可估计过程的信息。它的范围可以从通过一个人的移动速率来预测下一个位置到通过估计一个人的目的地来预测这个人何时到电梯出口。 在走廊例子