दृष्टि सेंसर से लैस रोबोट की संभाव्य मान्यता की गणना करने का सबसे अच्छा तरीका क्या है?

Question

मैं एक रोबोट के लिए 'विश्वास अंतरिक्ष' की योजना को लागू करने की कोशिश कर रहा हूं जिसमें एक कैमरा है जो इसका मुख्य सेंसर है। SLAM के समान, रोबोट के पास 3D बिंदुओं का एक मानचित्र होता है, और यह हर चरण में वातावरण के साथ 2D-3D मिलान करके स्थानीयकरण करता है। इस प्रश्न के उद्देश्य के लिए, मैं मान रहा हूं कि नक्शा नहीं बदलता है।

विश्वास अंतरिक्ष योजना के हिस्से के रूप में, मैं रोबोट के लिए पथों की योजना बनाना चाहता हूं जो इसे शुरू से लक्ष्य तक ले जाते हैं, लेकिन एक तरह से इसकी स्थानीयकरण सटीकता हमेशा अधिकतम होती है। इसलिए, मुझे रोबोट के संभावित राज्यों का नमूना लेना होगा, वास्तव में वहां जाने के बिना, और रोबोट यह देखेगा कि क्या यह उन राज्यों में है, जो एक साथ (मुझे गलत होने पर सही करते हैं) रोबोट का 'विश्वास' बनाते हैं , बाद में उन बिंदुओं पर अपनी स्थानीयकरण अनिश्चितता को कूटबद्ध करता है। और फिर मेरा प्लानर उन नोड्स को जोड़ने की कोशिश करेगा जो मुझे कम से कम अनिश्चितता (कोवरियन) देते हैं।

जैसा कि इस कैमरा-आधारित रोबोट के लिए मेरा स्थानीयकरण अनिश्चितता पूरी तरह से उन चीजों पर निर्भर करता है जैसे किसी दिए गए स्थानों से कितने फीचर पॉइंट दिखाई देते हैं, रोबोट के हेडिंग कोण आदि। मुझे एक निश्चित नमूने पर मेरे स्थानीयकरण के 'खराब' होने के अनुमान की आवश्यकता है। यह निर्धारित करने के लिए कि क्या मुझे इसे त्याग देना चाहिए। वहां पहुंचने के लिए, मैं इसके लिए माप मॉडल को कैसे परिभाषित करूं, क्या यह कैमरे का माप मॉडल होगा या यह रोबोट की स्थिति से संबंधित कुछ होगा? मैं पहले से अपने मापों का 'अनुमान' कैसे लगा सकता हूं, और उन अनुमानित मापों के माध्यम से मैं रोबोट के सहसंयोजक की गणना कैसे करूं?

EDIT: मेरे लिए मुख्य संदर्भ रैंडम बिलीफ ट्रीज की तेजी से खोज करने का विचार है , जो कि बिलीफ रोड मैप्स की विधि का विस्तार है । एक और प्रासंगिक कागज विवश नियोजन के लिए RRBTs का उपयोग करता है। इस पत्र में, राज्यों पारंपरिक RRTs, एक ग्राफ के रूप में कोने के रूप में प्रतिनिधित्व करने के लिए इसी तरह के नमूने दिए जाते हैं, लेकिन जब कोने जुड़े होने की कर रहे हैं, एल्गोरिथ्म (की धारा वी में प्रचार समारोह नई, के लिए वर्तमान शिखर से विश्वास से प्रसारित 1 ) , और यहां वह जगह है जहां मैं फंस गया हूं: मुझे पूरी तरह से समझ में नहीं आता है कि मैं एक किनारे के साथ विश्वास को कैसे फैला सकता हूं, वास्तव में इसे ट्रेस किए बिना और नए माप प्राप्त कर सकता हूं, जिससे स्थानीयकरण से नए सहूलियतें मिलती हैं। RRBT कागज "कोवरियस भविष्यवाणी और लागत प्रत्याशा समीकरण PROPAGATE फ़ंक्शन में कार्यान्वित किए जाते हैं": लेकिन यदि केवल भविष्यवाणी का उपयोग किया जाता है, तो यह कैसे पता चलता है, कहते हैं, क्या भविष्य की स्थिति में पर्याप्त विशेषताएं हैं जो स्थानीयकरण सटीकता को बढ़ा / घटा सकती हैं?

Comments

क्या आपने इस पर कोई साहित्य पढ़ा है?

— जैकब

हां, मैंने आपके द्वारा दिए गए प्रासंगिक पत्रों के बारे में प्रश्न में कुछ और विवरण जोड़ दिए हैं।

— हाईवोल्टेज

ओहो मुझे लगता है कि मैं समझता हूं। मुझे यह देखने के लिए कि क्या मैं इसे समझने और दूसरों के लिए संदर्भ के लिए विरोधाभास करता हूं। आप एक संपूर्ण क्षेत्र का नमूना बनाना चाहते हैं, ताकि आप बड़ी संख्या में स्थानों पर संभावित दृश्य निर्धारित कर सकें, और फिर उन स्थानों की एक श्रृंखला चुनना चाहते हैं जो शुरू से अंत तक दोनों मार्ग प्रदान करते हैं और "अच्छे" स्थलों के विचारों को सक्षम करते हैं। SLAM- शैली स्थानीयकरण के साथ उपयोग करें। आपका प्रश्न यह है कि "अच्छा" या "बुरा" एक दृश्य को कैसे निर्धारित किया जाए और यह कि "अच्छाई को कैसे देखें" तो सहसंयोजक से संबंधित है। क्या यह उचित सारांश है?

— चक

संक्षेप में, हाँ! यह आरआरबीटी पेपर में पहले ही प्राप्त हो चुका है, लेकिन मुझे इसके पीछे के गणित को समझने में परेशानी हो रही है।

— हाईवोल्टेज

यह एक शांत अवधारणा की तरह लगता है। मैं आज मोबाइल पर हूं, लेकिन मैं कल पेपर पढ़ूंगा और इसमें झंकार करने की कोशिश करूंगा। मैं अनुमान लगाने जा रहा हूं कि संपूर्ण एल्गोरिदम आपके द्वारा किसी विशेष कदम पर आपके विचार में जो कुछ भी सोचते हैं , उसके अनुमानों (विश्वासों) पर आधारित है। , जिसका अर्थ है कि वास्तविक माप एल्गोरिथ्म में नहीं है और इसीलिए आपको वास्तव में किसी भी स्थान को पार करने की आवश्यकता नहीं है। ऐसा लगता है कि संपूर्ण एल्गोरिथ्म मानचित्र के एक प्राथमिक ज्ञान के आसपास बनाया गया है और यह निर्भर करता है कि गुणवत्ता परिणामों के लिए सटीक होना चाहिए।

— चक

Answer 1

मॉडल कैमरा सूचनात्मकता के लिए बीयरिंग-केवल स्थानीयकरण का उपयोग करें, और शून्य शोर (जैसे, कोई नवीनता नहीं) के साथ माप अनुकरण करें।

कई कारणों से, यह वास्तव में एक मार्ग की सूचनात्मकता का अनुमान लगाने का सैद्धांतिक रूप से अच्छा तरीका है।

फिशर सूचना मैट्रिक्स की तरह कई "माप मुक्त" जानकारीपूर्ण-नेस मेट्रिक्स हैं । आपको यह निर्धारित करने के लिए कि मानचित्र के लैंडस्केप स्थानों को मापने के द्वारा रोबोट की स्थिति के बारे में कितनी जानकारी प्राप्त की जाएगी, इसके लिए आपको रोबोट की स्थिति और नक्शे में स्थलों की स्थिति की आवश्यकता है। (या वीजा-वर्सा, माप से नवाचार दोनों लक्ष्य और रोबोट पर लागू होता है (यह SLAM सही है?), इसलिए दोनों के लिए एक ही मीट्रिक काम करता है)।

मैं एक असर सेंसर के साथ शुरू करता हूं, क्योंकि यह एक दृष्टि सेंसर का एक अच्छा, अच्छी तरह से स्वीकृत मॉडल है। दुनिया में सुविधाओं का पता लगाने में त्रुटि के कुछ पिक्सेल मानकर असर माप पर "शोर" का पता लगाएं। सिस्टम की स्थिति को रोबोट की स्थिति और उसकी अनिश्चितता, और फिर नमूना पथ (जैसा कि आप सुझाव देते हैं) होने दें। नमूना पथ में प्रत्येक स्थिति से, मैं FIM का उपयोग कर अनिश्चितता की भविष्यवाणी की थी । यह करना मुश्किल नहीं है, बस माप में कोई त्रुटि नहीं मानें (यानी, रोबोट के विश्वास के बारे में कोई "नवाचार" नहीं होगा, लेकिन आप अभी भी अनिश्चितता में एक गिरावट का अनुभव करेंगे जो रोबोट की स्थिति के अनुमान में सिकुड़ते सिकुड़ते हुए प्रतिनिधित्व करता है। स्थानों या स्थानों की अनिश्चितताओं को अपडेट न करें, बस समस्या को सरल बनाने के लिए।

इस साहित्य की अपनी अंतिम समीक्षा में मुझे जो याद आया, उससे यह एक अच्छी तरह से समझा गया दृष्टिकोण है, लेकिन इसके लिए अपना शब्द नहीं लें (खुद की समीक्षा करें!)। कम से कम यह एक आधारभूत दृष्टिकोण बनाना चाहिए जो अनुकरण करना आसान है। साहित्य की शक्ति का उपयोग करते हैं। आप सेट अप और समीकरणों के लिए इस थीसिस का उपयोग कर सकते हैं।

सारांश

1. $x$$\Sigma$
2. $\Sigma_i$
3. चलो प्रक्षेपवक्र की "लागत" लक्ष्य की दिशा में प्रगति के कुछ उत्तल संयोजन और सहसंयोजक के व्युत्क्रम (जैसे, सूचना मैट्रिक्स )

कुछ सूक्ष्मता

सबसे छोटे राज्य वेक्टर का उपयोग करें जो समझ में आता है। यदि आप मान सकते हैं कि रोबोट गति से स्वतंत्र रूप से कैमरे को इंगित कर सकता है, या कई कैमरे हैं, तो अभिविन्यास को अनदेखा करें और बस स्थिति को ट्रैक करें। मैं केवल 2 डी पदों पर आगे बढ़ूंगा।

आपको रैखिककृत प्रणाली को प्राप्त करना होगा, लेकिन इसे ऊपर की थीसिस से उधार ले सकते हैं। अनुकरणीय माप से परेशान न हों (उदाहरण के लिए, यदि आप केवल "सिम्युलेटेड माप" के साथ ईकेएफ अपडेट करते हैं, तो मान लें कि माप सही हैं और बिना शोर के हैं।

$$P_{i|i-1}=F^T_iP_{i-1|i-1}F_i+Q$$ $$P=P-PH^T (H P H^T + R)^{-1} HP$$

अगर हम वुडबरी मैट्रिक्स पहचान लागू करते हैं

$$P^{-1}=P^{-1}+H^TR^{-1}H$$

$n$

$$I=\sum_{i=1}^n H_i^TR^{-1}H_i$$

$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$

माप समीकरण क्या है? आईटी इस

$$\tan^{-1}\frac{y_t-y_r}{x_t-x_r}$$

$t$$r$

---

पुनरावृत्ति को रोकने के लिए। मैं इस प्रकार आगे बढ़ूंगा:

1. एक पथ खोज एल्गोरिथ्म लिखें जो अनिश्चितता पर विचार किए बिना अपना रास्ता ढूंढता है।
2. $H$
3. $trace(H^TRH)$
4. ध्यान दें कि परिणाम प्रक्षेपवक्र के FIM (पाठक के लिए छोड़ दिया गया व्यायाम) से मेल खाता है, और आपने सही ढंग से और सैद्धांतिक रूप से ध्वनि तरीके से सबसे अधिक जानकारीपूर्ण प्रक्षेपवक्र निर्धारित किया है।

Comments

उत्कृष्ट उत्तर के लिए धन्यवाद! मैं वास्तव में एक बहुत ही समान मार्ग से नीचे चला गया था, कैमरा-आधारित मैट्रिक्स का उपयोग करते हुए आर के मेरे guesstimates के रूप में एक आरआरटी ​​के साथ संयुक्त (मैं हाल ही में सोच रहा था कि मुझे अपने प्रश्न का उत्तर देना चाहिए, लेकिन आपने मुझे हरा दिया!)। वैसे, मुझे लगता है कि अपने सरलीकृत अद्यतन समीकरण उस में निवेश संबंधी निर्णय निर्माताओं (आर) पड़ा है चाहिए: जो राशि का पता लगाने को अधिकतम (निवेश संबंधी निर्णय निर्माताओं (आर)), या पथ (अनदेखी एच) के दौरान योग (आर) को कम करने के बराबर है

— HighVoltage

अच्छा पकड़ा। मैं अपडेट करूंगा।

— जोश वेंडर हुक