Tôi đang cố gắng thực hiện kế hoạch "không gian niềm tin" cho một robot có camera là cảm biến chính của nó. Tương tự như SLAM, robot có bản đồ các điểm 3D và nó bản địa hóa bằng cách thực hiện khớp 2D-3D với môi trường ở mỗi bước. Với mục đích của câu hỏi này, tôi cho rằng bản đồ không thay đổi.

Là một phần của kế hoạch không gian niềm tin, tôi muốn lập kế hoạch đường đi cho robot đưa nó từ đầu đến mục tiêu, nhưng theo cách mà độ chính xác nội địa hóa của nó luôn được tối đa hóa. Do đó, tôi sẽ phải lấy mẫu các trạng thái có thể có của robot, mà không thực sự di chuyển đến đó, và các quan sát mà robot sẽ thực hiện nếu nó ở các trạng thái đó, cùng nhau (sửa tôi nếu tôi sai) tạo thành 'niềm tin' của robot , sau đó mã hóa sự không chắc chắn nội địa hóa của nó tại những điểm đó. Và sau đó trình hoạch định của tôi sẽ cố gắng kết nối các nút mang lại cho tôi ít sự không chắc chắn nhất (hiệp phương sai).

Vì sự không chắc chắn về địa phương hóa của tôi đối với robot dựa trên máy ảnh này phụ thuộc hoàn toàn vào những thứ như có thể nhìn thấy bao nhiêu điểm tính năng từ một vị trí nhất định, góc tiêu đề của robot, v.v .: Tôi cần một ước tính về mức độ "xấu" địa phương hóa của tôi ở một mẫu nhất định sẽ là, để xác định xem tôi có nên loại bỏ nó không. Để đạt được điều đó, làm thế nào để tôi xác định mô hình đo lường cho điều này, nó sẽ là mô hình đo lường của máy ảnh hay nó sẽ là một cái gì đó liên quan đến vị trí của robot? Làm thế nào để tôi 'đoán' các phép đo của mình trước đó và làm thế nào để tôi tính toán hiệp phương sai của robot thông qua các phép đo đã đoán?

EDIT: Tài liệu tham khảo chính cho tôi là ý tưởng khám phá nhanh chóng Cây niềm tin ngẫu nhiên , là một phần mở rộng của phương pháp Belief Road Maps . Một bài báo khác có liên quan sử dụng RRBT để lập kế hoạch hạn chế. Trong bài báo này, các trạng thái được lấy mẫu tương tự như các RRT thông thường, được biểu diễn dưới dạng các đỉnh như một biểu đồ, nhưng khi các đỉnh được kết nối, thuật toán truyền niềm tin từ đỉnh hiện tại sang mới, (hàm PROPAGATE trong phần V của 1 ) và đây là nơi tôi bị mắc kẹt: Tôi hoàn toàn không hiểu làm thế nào tôi có thể truyền niềm tin dọc theo một cạnh mà không thực sự vượt qua nó và có được các phép đo mới, từ đó hiệp phương sai mới từ nội địa hóa. Các giấy RRBT nói "dự đoán hiệp phương sai và phương trình kỳ vọng chi phí được triển khai trong hàm PROPAGATE": nhưng nếu chỉ sử dụng dự đoán, làm thế nào để biết, liệu có đủ tính năng tại vị trí tương lai có thể tăng / giảm độ chính xác nội địa hóa không?

Sử dụng nội địa hóa chỉ vòng bi để mô hình hóa thông tin của máy ảnh và mô phỏng các phép đo với độ nhiễu bằng không (ví dụ: không đổi mới).

Vì nhiều lý do, đây thực sự là cách thức lý thuyết để ước tính tính thông tin của một con đường.

Có nhiều số liệu thông tin "không đo lường", như Ma trận thông tin Fisher . Tất cả những gì bạn cần là vị trí của robot và vị trí của các mốc trên bản đồ để xác định lượng thông tin về vị trí của robot sẽ thu được bằng cách đo các vị trí mốc. (Hoặc ngược lại, visa, sự đổi mới từ các phép đo được áp dụng cho cả mục tiêu và robot (đó là SLAM phải không?), Vì vậy cùng một số liệu hoạt động cho cả hai).

Tôi sẽ bắt đầu với một cảm biến vòng bi, vì đó là một mô hình cảm biến tầm nhìn tốt, được chấp nhận tốt. Chỉ ra "nhiễu" trên các phép đo ổ trục bằng cách giả sử một vài pixel lỗi trong việc định vị các tính năng trên thế giới. Đặt trạng thái của hệ thống là vị trí của robot cộng với độ không chắc chắn của nó, và sau đó là các đường dẫn mẫu (như bạn đề xuất). Từ mỗi vị trí trong đường dẫn được lấy mẫu, tôi sẽ tính toán lại độ không chắc chắn được dự đoán bằng FIM. Điều này không khó thực hiện, chỉ cần giả sử không có lỗi trong các phép đo (nghĩa là sẽ không có "sự đổi mới" về niềm tin của robot, nhưng bạn vẫn sẽ gặp phải sự không chắc chắn được thể hiện bằng cách thu nhỏ hiệp phương sai trong ước tính vị trí của robot. không cập nhật vị trí hoặc sự không chắc chắn của các mốc, chỉ để đơn giản hóa vấn đề.

Đây là một cách tiếp cận khá dễ hiểu từ những gì tôi nhớ lại trong bài đánh giá cuối cùng của tôi về tài liệu này, nhưng đừng hiểu ý tôi (hãy xem lại chính mình!). Ít nhất điều này nên tạo thành một cách tiếp cận cơ bản dễ mô phỏng. Hãy sử dụng sức mạnh của văn học. Bạn có thể xem xét luận điểm này để thiết lập và phương trình.

Tóm tắt

1. $x$$\Sigma$
2. $\Sigma_i$
3. Đặt "chi phí" của quỹ đạo là sự kết hợp lồi của tiến trình hướng tới mục tiêu và nghịch đảo của hiệp phương sai (ví dụ: ma trận thông tin )

Một số tinh tế

Sử dụng các vectơ trạng thái nhỏ nhất có ý nghĩa. Nếu bạn có thể giả sử robot có thể hướng camera độc lập với chuyển động, hoặc có nhiều camera, thì hãy bỏ qua hướng và chỉ theo dõi vị trí. Tôi sẽ chỉ tiếp tục ở các vị trí 2D.

Bạn sẽ phải rút ra hệ thống tuyến tính hóa, nhưng có thể mượn nó từ luận án trên. đảm bảo không bận tâm với các phép đo mô phỏng (ví dụ: nếu bạn chỉ thực hiện cập nhật EKF bằng "các phép đo mô phỏng", thì giả sử các phép đo là đúng và không có nhiễu.

Nếu chúng ta áp dụng nhận dạng ma trận Woodbury

$n$

Ở đâu $R$$\sum_{i=1}^n H_i^TR^{-1}H_i$

$H$$H$$nx2$$n$$n$$2$$R$$n\times n$$\sigma I_{n\times n}$$\sigma$

Phương trình đo là gì? nó là

$t$$r$ .

Vô tình đệ quy. Tôi sẽ tiến hành như sau:

1. Viết một thuật toán tìm kiếm đường dẫn tìm đường mà không xem xét sự không chắc chắn.
2. $H$ , hoặc tìm kiếm nó trong bất kỳ giấy nội địa hóa vòng bi.
3. Để xác định "mức độ tốt" của đường dẫn được sử dụng trong thuật toán tìm kiếm, hãy thêm vào $trace(H^TRH)$ cho mỗi tư thế dọc theo con đường.
4. Lưu ý rằng kết quả phù hợp với FIM của quỹ đạo (bài tập để lại cho người đọc) và bạn có chính xác và theo cách lý thuyết xác định quỹ đạo thông tin nhất.