机器人学概论第十讲教学课件.ppt

*/60 将状态集合?定义为{E, F}, E 表示网格为空的, F 表示网格为满的。 基于状态集合 ?的环境状态描述可以表示为 描述 1：A1={?} 描述 2：A2={F} 描述 3：A3={E} 描述 4：A4={E, F} 一次采样所获得的传感信息中不同环境状态描述的证据量 主要融合方法简介 第八章 传感信息融合 */60 假设 按照D－S证据推理规则给出融合后的证据值 主要融合方法简介 第八章 传感信息融合 */60 传感器模型 主要融合方法简介 第八章 传感信息融合 */60 主要融合方法简介 给定的概率模型 第八章 传感信息融合 Pf 一格概率 f(s)概率密度 */60 主要融合方法简介 第八章 传感信息融合 */60 主要融合方法简介 仿真结果 第八章 传感信息融合 */60 主要融合方法简介 第八章 传感信息融合 定理 设A1，A2，…，An为样本空间Ω的一个划分，且 P(Ai)0（i=1,2,…,n），则对于任何一事件B ( P(B)0), 有 由条件概率的定义及全概率公式 贝叶斯(Bayes)估计 */60 贝叶斯(Bayes)估计 Symbols: 第八章 传感信息融合 Sebastian Thrun, Bayesian Landmark Learning for Mobile Robot Localization, Machine Learning, vol.33, no.1, pp. 41-76, 1998. cited 181 Bayesian Landmark Learning for Mobile Robot Localization belief by a probability density over all locations ?? ? transition density after the effect of a motion command a?A the probability that s ?S is observed at location ? sensor data are projected into a smaller space F relates the sensory features f=?(s) to different locations of the environment, for which reason it is often called a map of the environment. */60 贝叶斯(Bayes)估计 Robot localization 第八章 传感信息融合 Bayesian Landmark Learning for Mobile Robot Localization the robot’s belief after executing the t-1th action after taking the t-th sensor measurement */60 贝叶斯(Bayes)估计 第八章 传感信息融合 Bayesian Landmark Learning for Mobile Robot Localization Sensing Markov假设: 传感器当前的测量值相对独立于以前的测量值 由运动量能够给出机器人的确切位置 */60 贝叶斯(Bayes)估计 第八章 传感信息融合 Bayesian Landmark Learning for Mobile Robot Localization Sensing 运动及传感器以前的测量值对 不起作用 */60 贝叶斯(Bayes)估计 第八章 传感信息融合 Bayesian Landmark Learning for Mobile Robot Localization Action */60 贝叶斯(Bayes)估计 第八章 传感信息融合 Bayesian Landmark Learning for Mobile Robot Localization */60 第八章 传感信息融合 */60 基于蒙特卡洛(Mante Carlo)框架的定位 MCL(Monte Carlo Localization)采用采样技术表示移动机器人的暂态，在全局定位中采用较多样本的采样，在局部跟踪时采用小样本采样。 预测阶段：对移动机器人的位置进行预测；基于马尔可夫原理(Markov principle)和控制输入u(t-1)，相对于机器人上一时刻状态s(t-1)进行样本采样。 更新阶段