9.3: Filtro de partículas

Última actualización
Guardar como PDF

Page ID: 85001

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

Aunque la localización de Markov basada en cuadrícula puede proporcionar resultados convincentes, puede ser computacionalmente muy costosa, en particular cuando el entorno es grande y la resolución de la cuadrícula es pequeña. Esto se debe en parte al hecho de que necesitamos llevar la probabilidad de estar en una determinada ubicación hacia adelante para cada celda de la cuadrícula, independientemente de lo pequeña que sea esta probabilidad. Una solución elegante a este problema es el filtro de partículas. Funciona de la siguiente manera:

Representar la posición del robot por N partículas que se distribuyen aleatoriamente alrededor de su posición inicial estimada. Para ello, podemos usar una o más distribuciones gaussianas alrededor de la (s) estimación (es) inicial (s) de dónde está el robot, o elegir una distribución uniforme (Figura 9.4.1).
Cada vez que el robot se mueva, moveremos cada partícula exactamente de la misma manera, pero agregaremos ruido a cada movimiento muy parecido al que observaríamos en el robot real. Sin una actualización de percepción, las partículas se dispersarán cada vez más.
Tras un evento de percepción, evaluamos cada partícula usando nuestro modelo de sensor. ¿Cuál sería la probabilidad de tener un evento de percepción como el que observamos en este lugar? Entonces podemos usar la regla de Bayes para actualizar la posición de cada partícula.
De vez en cuando o durante eventos de percepción que hacen inviables ciertas partículas, las partículas que tienen una probabilidad demasiado baja pueden eliminarse, mientras que las que tienen la mayor probabilidad pueden replicarse.