传感器|人们普遍认为,概率方法是最有希望实时处理传感器和构成不确定性的方法

传感器|人们普遍认为,概率方法是最有希望实时处理传感器和构成不确定性的方法

文章图片

传感器|人们普遍认为,概率方法是最有希望实时处理传感器和构成不确定性的方法

文章图片

传感器|人们普遍认为,概率方法是最有希望实时处理传感器和构成不确定性的方法

文章图片


人们普遍认为 , 概率方法是最有希望实时处理传感器和构成不确定性的方法 。 概率机器人技术的一个关键概念是信念 。 反映机器人对其状态的内部知识的信念由概率分布表示 。 在定位上下文中 , 信念反映了机器人关于其在空间中的姿势的内部知识 。 然而 , 一般的贝叶斯滤波器算法对于连续状态空间不是一个易于处理的实现 。 高斯滤波器是贝叶斯滤波器较早的易于处理的实现之一 。



一种特殊的高斯滤波器 , 即卡尔曼滤波器 , 已广泛用于执行移动机器人定位 。 卡尔曼滤波器通过正态分布表示信念 。 主要由于正态分布假设 , 卡尔曼滤波器无法表示歧义并无法从定位中恢复 。 在处理超声波测距仪时 , 这些问题尤其重要 。 一方面 , 低声纳角分辨率可能导致机器人姿态估计不明确 。 另一方面 , 由于多次反射和串扰导致的错误读数 , 再加上超声波测距仪的低测量率 , 可能会导致过滤器出现不可恢复的定位故障 。



贝叶斯过滤器的另一种易于处理的实现是粒子过滤器 。 在粒子滤波器中 , 信念分布由一组样本表示 , 称为粒子 , 从信念本身随机抽取 。 粒子滤波器负责递归地更新粒子集 。 德拉特等人在定位上下文中引入了粒子滤波器 , 定义了所谓的定位 。 从那时起 , 粒子滤波器已成功应用于多机器人定位 , 多机器人定位和使用激光和声纳传感器 , 以及许多其他应用程序 。



粒子滤波器是贝叶斯滤波器的非参数实现 。 据说它们有两个重要的优点 。 首先 , 它们可以近似范围广泛的概率分布 , 甚至是多峰分布 。 与只能处理正态分布的卡尔曼滤波器相比 , 这个特性构成了一个重要的好处 。 这些滤波器比卡尔曼滤波器更适合表示歧义和处理定位失败 。 粒子滤波器的第二个优点是 , 即使它最直接的实现在应用于定位时也表现出非常好的结果 。



因此 , 粒子过滤器构成了使用超声波测距仪作为外部感受器进行定位的绝佳工具 。 粒子滤波器的一个关键点是所谓的测量模型 。 从广义上讲 , 测量模型负责确定每个粒子可以解释当前传感器读数的可能性 。 这通常通过先验图来完成 。 这当前传感器读数与地图匹配 , 匹配程度定义了测量模型 。 有人提出了一种不需要任何先验地图并处理水下声纳传感器的方法 。



他们的建议是为每个粒子存储一个小的局部历史记录 , 以便当前读数可以与每个局部历史记录相匹配 。 为了计算匹配程度 , 他们借鉴了扫描匹配社区的一个概念 。 他们根据迭代最近点扫描匹配误差计算匹配程度 。 尽管这种方法仅在模拟中进行了测试 , 但它不需要任何先验图并且显示出非常好的结果 。 移动机器人定位的关键思想是根据传感器数据估计机器人姿态 。 因此 , 在定位上下文中 , 机器人姿态是要估计的状态 。 然而 , 机器人的姿态通常不能被传感器直接观察到 。



【传感器|人们普遍认为,概率方法是最有希望实时处理传感器和构成不确定性的方法】