11: Localización y Mapeo Simultáneos

Última actualización
Guardar como PDF

Page ID: 85037

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

Los robots son capaces de realizar un seguimiento de su posición utilizando un modelo del ruido que surge en su tren motriz y su cinemática hacia adelante para propagar este error a una función de densidad de probabilidad espacial (Sección 8.2). La varianza de esta distribución puede reducirse tan pronto como el robot vea características identificables de forma única con ubicaciones conocidas. Esto se puede hacer para ubicaciones discretas usando la regla de Bayes (Sección 9.2) y para distribuciones continuas usando el Filtro Kalman Extendido (Sección 11.3). La idea clave aquí fue que cada observación reducirá la varianza de la estimación de posición del robot. Aquí, el filtro Kalman realiza una fusión óptima de dos observaciones al ponderarlas con su varianza, es decir, la información poco confiable cuenta menos que una confiable. En el problema de localización del robot, una de las observaciones suele ser la estimación de posición del robot, mientras que la otra observación proviene de una característica con ubicación conocida en un mapa. Hasta el momento, hemos asumido que estas localizaciones son conocidas. En este capítulo se introducirán

el concepto de covarianza (o, de qué tratan todos los elementos no diagonales en la matriz de covarianza),
cómo estimar la ubicación del robot y la de las entidades en el mapa al mismo tiempo (Localización y Mapeo Simultáneo o SLAM)