9: Localización

Última actualización
Guardar como PDF

Page ID: 84990

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Los robots emplean sensores y actuadores que están sujetos a incertidumbre. El capítulo 8 describe cómo cuantificar esta incertidumbre utilizando funciones de densidad de probabilidad que asocian una probabilidad con cada posible resultado de un proceso aleatorio, como la lectura de un sensor o el cambio físico real de un actuador. Una posible manera de localizar un robot en su entorno es extraer características de alto nivel (Capítulo 7), como la distancia a una pared de varios sensores diferentes. Como las mediciones subyacentes son inciertas, estas mediciones estarán sujetas a incertidumbre. Cómo calcular la incertidumbre de una característica a partir de la incertidumbre de los sensores que detectan esta característica, está cubierto por la ley de propagación de errores. La idea clave es que la varianza de una característica es la suma ponderada de todas las varianzas de los sensores contribuyentes, ponderadas por su impacto en la característica de interés. Este impacto puede ser aproximado por la derivada de la función que mapea la entrada de un sensor a la medición de la entidad.

Desafortunadamente, la incertidumbre sigue propagándose sin la capacidad de corregir las mediciones. Los objetivos de este capítulo son presentar herramientas matemáticas y algoritmos que le permitan reducir realmente la incertidumbre de una medición combinándola con observaciones adicionales. En particular, este capítulo abarcará

Uso de puntos de referencia para mejorar la precisión de una estimación de posición discreta (Localización de Markov)
Aproximación de estimaciones continuas de posición (Filtro de partículas)
Fusión óptima del sensor para estimar una estimación de posición continua (Filtro Kalman Extendido)