bước đổi mới nội địa hóa ekf?

Giả sử chúng ta có một loạt các quan sát từ cảm biến và chúng ta có một bản đồ trong đó chúng ta có thể lấy số đo dự đoán cho các mốc. Trong nội địa hóa EKF trong bước hiệu chỉnh, chúng ta có nên so sánh từng quan sát với toàn bộ phép đo dự đoán ?, Vậy trong trường hợp này chúng ta có hai vòng? Hoặc chúng ta chỉ so sánh từng quan sát với từng phép đo dự đoán?, Vì vậy trong trường hợp này chúng ta có một vòng lặp. Tôi giả sử cảm biến có thể đưa ra tất cả các quan sát cho tất cả các mốc mỗi lần quét. Hình ảnh sau đây mô tả kịch bản. Bây giờ mỗi khi tôi thực hiện Bản địa hóa EKF, tôi nhận được và tôi có , vì vậy tôi co thể lây$z^{i}$$\hat{z}^{i}$$z^{i}$$\hat{z}^{i}$$z^{i} = \{ z^{1}, z^{2}, z^{3}, z^{4}\}$$m$$\hat{z}^{i} = \{ \hat{z}^{1}, \hat{z}^{2}, \hat{z}^{3}, \hat{z}^{4}\}$ . Để có được bước đổi mới, đây là những gì tôi đã làm trong đó là sự đổi mới. Đối với mỗi lần lặp, tôi nhận được bốn đổi mới. Điều này có đúng không? Tôi đang sử dụng EKF-Localization trong cuốn sách này Xác suất Robotics trang 204.

$$Z^{1} = z^{1} - \hat{z}^{1} \\ Z^{2} = z^{2} - \hat{z}^{2} \\ Z^{3} = z^{3} - \hat{z}^{3} \\ Z^{4} = z^{4} - \hat{z}^{4} \\ $$ $Z$

Vâng, điều này là chính xác, đưa ra hai giả định:

1. Mỗi phép đo là độc lập (nghĩa là phân phối (Gaussian) của quan sát không tương thích với ). Thông thường đây là một giả định hợp lý (ví dụ: đo vị trí của các mốc bằng máy quét laser).$z_i$$z_j$

2. Hiệp hội dữ liệu được biết đến. Nói cách khác, bạn "chỉ biết" rằng quan sát đầu tiên của bạn trên thực tế là quan sát mốc 1. Do đó, bạn chỉ có thể tính toán sự đổi mới với quan sát dự đoán được tạo bởi mốc 1. Không biết cột mốc quan sát thuộc về nơi nào là gấp đôi vòng lặp đến. Trong trường hợp đó, bạn cần so sánh quan sát với các quan sát dự đoán của tất cả * các mốc khác và chọn điểm quan trọng nhất **, sử dụng một số liệu như khoảng cách Mahalanobis.

* Bạn có thể tăng tốc độ này bằng cách chỉ so sánh nó với các mốc được ước tính là trong phạm vi quan sát của cảm biến.

** Đây chỉ là một phương pháp liên kết dữ liệu. Những người khác (ví dụ, tương thích chung) tồn tại.