هذا المقال هو عبارة عن تجميع للAI Yanxishe بلوق التكنولوجيا، والعنوان الأصلي:

توطين الروبوت مع كالمان فلاتر والمعالم

الكاتب | يانيك Zrn

الترجمة | Guonai تشياو، ThomasGui

تصحيح التجارب المطبعية | مراجعة خيبة الأمل | صلصة الكمثرى فان التشطيب | الأسماك وانغ لي

الرابط الأصلي:

https://medium.com/@jannik.zuern/robot-localization-with-kalman-filters-and-landmarks-cf97fa44e80b

اسمحوا لي أن أعرض --Robby هو الروبوت. من الناحية الفنية فهو بسيط للغاية نموذج الروبوت الظاهري، ولكن لأغراضنا غير كافية. روبي فقدت في العالم الافتراضي، والذي يتكون من طائرة ثنائية الأبعاد، وهناك العديد من المعالم. وكان لديه خريطة للبيئة المحيطة (في الواقع، لا تحتاج إلى تعيين جدا)، لكنه لم يكن يعرف الموضع الدقيق له في البيئة.

روبي (دائرة حمراء كبيرة) والمعالم اثنين (دائرة حمراء صغيرة)

والغرض من هذه المقالة هو ليعلمك الأرض كشف علامة ومددت كالمان مرشح خطوة خطوة لتحقيق روبوت الترجمة.

الجزء الأول - الخطية مرشح كالمان

يمكن أن يفهم مرشح كالمان كوسيلة لعالم صاخبة من التصور. عندما نريد تحديد موقع حيث يعتمد الروبوت على شرطين: نحن نعرف كيف الروبوت للانتقال من لحظة إلى لحظة المقبلة، وعلينا أن نحدد النظام في بعض الطريقة التي يتحرك. وهذا ما يسمى انتقال الدولة (أي الروبوت كيفية الانتقال من دولة إلى أخرى)، ونحن يمكن استخدام مجموعة متنوعة من أجهزة الاستشعار مثل الكاميرا، ورادار ليزر أو صدى مجسات (الألمانية: ملليمتر موجة الرادار) بيئة قياس الروبوت. والمشكلة هي أن هذين النوعين من المعلومات تتأثر الضوضاء. لا يمكننا أن نعرف بالضبط يتم نقل الروبوت من دولة واحدة للدولة القادمة مدى دقة لأن وحدة التنفيذ ليست مثالية. ونحن لا يمكن قياس دقيق لانهائي من المسافة بين الكائنات. هذا هو المكان دور مرشح كالمان.

مرشح كالمان يسمح لنا الوضع الحالي من عدم اليقين وعدم اليقين من القياسات استشعار للحد يستحسن المستوى العام من عدم اليقين للروبوت. وغالبا ما توزع هذين النوعين من عدم اليقين مع توزيع جاوس أو العادي لوصف احتمال. توزيع جاوس معلمتين: المتوسط والتباين. القيمة المتوسطة التي تمثل أعلى الاحتمالات، ونحن نعتقد أن هذا يمثل التباين يعني الكثير من عدم اليقين.

كالمان مرشح تشغيل خطوتين. في خطوة التنبؤ، مرشح كالمان لتوليد قيمة الحالة الراهنة توقع المتغير وعدم اليقين. عندما لاحظ تحت نتيجة القياس (يجب أن يكون بعض الأخطاء، بما في ذلك الضوضاء)، تكون قادرا على تحديث المتوسط المرجح لهذه التوقعات، وعلى درجة عالية من اليقين التنبؤ إعطاء وزن أكبر. خوارزمية غير متكررة. يمكن تشغيله في الوقت الحقيقي، وتحتاج فقط لقياس المدخلات الحالية والدولة السابق الحوسبة ومصفوفة عدم اليقين، ولا مزيد من المعلومات في الماضي.

لأن ويكيبيديا الرسم البياني تدفق المعلومات على كالمان مرشح جيدة، وأنا استخدم بشكل مباشر هنا:

كالمان تصفية الصور من: الشبكي: //upload.wikimedia.org/wikipedia/commons/a/a5/Basic_concept_of_Kalman_filtering.svg

أنا لن أخوض في تفاصيل العمليات الحسابية للمرشح كالمان، لأن الكثير من الناس الذكية فعلت ذلك. كما تريد مزيد من التوضيح في العمق، ويمكنني أن أوصي بلوق تيم [بب] في:

كيف يعمل مرشح كالمان، في picturesI من ان اقول لكم عن مرشح كالمان، لأن ما تقوم به هو لعنة جميلة مدهشة. والمثير للدهشة عدد قليل من البرامج ...

الجزء الثاني - مدد تصفية كالمان

مددت كالمان تصفية (كما يوحي الاسم) هو "المعيار" بمد مرشح كالمان. في الجزء السابق لم أكن أقول لكم افتراض ضمني: عند استخدام مرشح كالمان، وانتقال الدولة، ويجب أن يكون قياس النموذج الخطي. من جهة نظر رياضية، وهذا يعني أننا يمكن أن تعتمد هذه الفرضية الجبر الخطي أنيقة ولتحديث الحالة من الروبوتات والقياسات الروبوتية. في الممارسة العملية، يعني ذلك أن المتغيرات الدولة والقيمة المقاسة تتغير خطيا مع مرور الوقت. على سبيل المثال، إذا كان لنا أن قياس الاتجاه X موقف الروبوت. ونحن نفترض أن الروبوت يقع X1 في T1 الوقت، فإنه يجب أن يكون موجودا في X2 الموقف في الوقت T2. يمثل ضد متغير سرعة الروبوت في اتجاه x. افتراض أن الروبوت يتسارع في الواقع، أو أي حركة غير الخطية (على سبيل المثال، إلى جانب حركة دائرية)، الخطأ الانتقال قليلا دولة نموذجية. في معظم الحالات، ليس هناك الكثير من الخطأ. ولكن في بعض الحالات الحدود، فرضية خاطئة الخطي الفاحشة.

نفترض أيضا أن نموذج القياس الخطي أيضا مشاكل. لنفترض كنت مسافرا على طول الطريق المستقيم، وهناك منارة في الشارع أمامك. ولكم من مسافة بعيدة نسبيا من المنارة التي تقاس وأنه يقع أقرب إلى مجال عملك من زاوية نظر يتغير خطيا (بشكل كبير من سرعة السيارة للحد، ولكن أساسا نفس الزاوية). ولكن بصفة خاصة إذا كنت تقود السيارة أكثر من ذلك، يتم تغيير زاوية جذريا عندما كنت الاقتراب. لهذا السبب عندما اعتمدت روبي في العالم 2-D في الملاحة معلما المنتشرة الطائرة 2-D لها، وأنا لم تعد قادرة على خطي مرشح كالمان.

مددت المسلم كالمان مرشح هو أنه رفع انتقال الدولة إلى نموذج القياس الخطي والخطية. ويسمح باستخدام أي وظيفة غير الخطية من الروبوت وأجهزة الاستشعار التحولات الدولة النمذجة الخاصة بك. فعالة وبسيطة لاستخدام ولكن أيضا سحر الجبر الخطي في تصفية لدينا، واستغرق خدعة: نأخذ الروبوت الخطي في الحالة الراهنة من الحي. يعني ذلك أننا نفترض أن نموذج قياس ونموذج انتقال الدولة في محيط دولتنا الحالية القريب الخطية (نقلت مرة أخرى أمثلة الطريق / المنارة). ولكن بعد كل خطوة، فإننا نواجه مجال جديد في تحديث الخطية الدولة. وهذا يجبرنا على اتخاذ طريقة الخطية من وظيفة غير الخطية.

هذه هي النتيجة. EKF حمل كبير "طبيعية" كالمان مرشح، ولكن نموذج ونموذج قياس للانتقال الدولة غير الخطية الموجودة خارج الخطية إضافية.

في هذا المثال، حصلت روبي فقدت، وتريد أن تكون مترجمة في (جدل) بيئات معادية، مدد مرشح كالمان بحيث روبي يمكن تصور معالم وتحديث قناعة حالته. إذا كانت تقديرات الدولة والقيمة التقديرية للتباين قياس منخفضة بما فيه الكفاية، روبي قريبا جدا تكون قادرة على تحديد موقعه بالنسبة لموقف المعالم لأنه يعرف المكان المحدد المعالم، وقال انه يعرف أين كان!

ارتفع مؤشر صاحب السعادة!

الجزء الثالث - تحقيق

تنفيذ قانون واضح وصريح للغاية. لبديهية، وأنا اخترت استخدام مكتبة SDL2 لتحقيق العدد اللازم من الكائنات الصورة. يمكنك تحميلها من هنا:

وفقا لبرمجة وجوه المنحى، أدركت الفئات التالية:

• روبرت الطبقة

الجزء الأكثر أهمية من هذه الفئة هو بوز (موقف س، ذ الموقف، والتوجه) والسرعة (الخطية والسرعات الزاوية). ويمكن ان تتحرك إلى الأمام، نريد الوراء، اليمين واليسار لتدوير. من أجل قياس موقف من علامات، ولها طريقة measureLandmarks، وهذه الطريقة يمكن الحصول على لافتات الطرق الحقيقية، وعلامات الطريق وأخذ بعين الاعتبار موقع والمراقبة الضوضاء، مما أدى إلى قائمة من الملاحظات على المعالم.

• الطبقة مرشح كالمان

هذه الفئة هي بلا شك معقدة للغاية. وهو عضو في المصفوفة. الحالة الانتقالية المصفوفة يمكن استخدامها، والملاحظات، التغاير. سأكون يمر معظم التفاصيل، لأن تعليقات التعليمات البرمجية قدمت نصائح حول الغرض من التعليمات البرمجية. في localization_landmarks مرشح وظيفة في التنفيذ.

• فئات اندمارك

هذه الطبقة هي أبسط. كان لديه موقف، ID، في تقديم أنفسهم في أسلوب على الشاشة. هذا كل شيء.

في الوظيفة الرئيسية، ونحن تهيئة وتبدأ حلقة لا نهائية، في حين أن موقف الروبوت تم تحديث وفقا لمدخلات لوحة المفاتيح. الروبوت يقدر بيئته، كالمان تصفية للتنبؤ وتحديث الخطوة التالية.

يمكن الاطلاع على جميع الرموز في جيثب:

https://github.com/jzuern/robot-localization

قد تستمتع عملية !؟

أريد الاستمرار لعرضها روابط ذات صلة والمراجع؟

انقر فوق [استخدام مرشح كالمان ومعالم لتحديد المواقع الروبوت أو عنوان حزب الضغط لفترة طويلة}:

https://ai.yanxishe.com/page/TextTranslation/1437

AI Yanxishe أوصى اليوم: شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ

لي Feifei رئيس الآس الدورات والرؤية الحاسوبية لتعميق المناهج الدراسية، وتطبيق الشبكات العصبية في مجال الرؤية الحاسوبية، ويغطي تصنيف الصور، وتحديد المواقع، واختبار وغيرها من المهام التعرف البصري، وكذلك في تقريرها البحث، فهم الصورة، وتطبيق، ورسم الخرائط، والطب، من دون طيار الطائرات والمركبات الذاتية في مجال التطبيقات المتطورة.

تاريخ الفريق الحرة مقطع فيديو: الشبكي: //ai.yanxishe.com/page/groupDetail/19