Stanford OnlineStanford AA274A Principles of Robotic Autonomy | Autumn 2019 | EKF Localization
Stanford Online
تحديد الموقع والخرائط 0:05
تبدأ المحاضرة بتحديد الموقع بوصفه إيجاد وضعية الروبوت بالنسبة إلى خريطة معروفة، أي مطابقة نظام إحداثيات الخريطة مع نظام الروبوت المحلي. تُعرض طريقتان أساسيتان: تحديد الموقع الماركوفي بوصفه الصياغة المباشرة لكنها غير عملية حسابيا، ثم التقريب الغاوسي الذي يقود إلى مرشح كالمان الموسع. الحالة هنا غير قابلة للملاحظة مباشرة، لذا تُدمج القياسات مع الزمن لتحسين الاعتقاد بها. يُصاغ ذلك في شبكة بايز مع حالات غير مرئية، وضوابط تؤثر في تطورها، وقياسات تقيد التوزيع الاحتمالي. ثم تُفصل أبعاد المشكلة: محلية إذا كان الموضع الأولي معروفا، وعالمية إذا كان مجهولا، ومختطفة إذا تغيّر الموضع فجأة أثناء التشغيل. كذلك تُميز بين بيئة ثابتة وأخرى ديناميكية، وبين تحديد موقع سلبي ونشط، وبين روبوت واحد وروبوتات متعددة. ثم يحدد التركيز العملي على EKF للتحديد المحلي والطرق متعددة الأنماط للتحديد العالمي.
الخريطة ونموذج القياس 25:32
تُعدّ الخريطة جزءًا من نموذج الانتقال. إذا كانت الحالة التالية داخل جدار أو جسم، فاحتمالها صفر. وإذا لم تكن حالة تصادم، فتعطى قيمة ثابتة ثم تُطبع لتصبح موزعة بشكل صحيح. يشرح ذلك بايز: نأخذ نموذج الحركة، ثم نضربه في عامل يعبّر عن توافق الحالة مع الخريطة. بعد ذلك يظهر نموذج القياس. القياسات تعتمد فقط على الحالة الحالية والخريطة، لا على التاريخ. وغالبًا تُعامل القياسات المتعددة في اللحظة نفسها على أنها مستقلة. في النهاية، يبقى المرشح هو مرشح الانحياز نفسه، لكن مع شرط إضافي على الخريطة.
نموذج المدى والاتجاه 49:30
الروبوت لا يعرف قيمة XY ولا الزاوية θ، والهدف هو تقديرهما من قياسات المدى والاتجاه باستخدام الترشيح البايزي. إذا كان المعلم j عند الإحداثيين MJX وMJY، فالمدى هو المسافة الإقليدية بين الروبوت والمعلم، والاتجاه هو الزاوية بين خط النظر ومحور الروبوت. القياس نفسه مشوش، لذلك يضاف إليه خطأ غاوسي ثنائي الأبعاد بمتوسط صفر ومصفوفة قطرية QT، من دون ارتباط بين المدى والاتجاه. العلاقة بين الحالة والقياس غير خطية، ولهذا تُقرب بمتسلسلة تايلور من الرتبة الأولى كما في EKF.
مطابقة المعالم والتحديث 54:00
أصعب جزء هو معرفة أي قياس يخص أي معلم. لذلك تُعرّف متغيرات المطابقة CTI، وقد تكون قيمتها بين 1 وN، أو N+1 إذا لم يطابق القياس أي معلم. إذا كانت هذه المطابقات معروفة من مصدر موثوق، فالمسألة تصبح EKF مباشرًا: تنشر الاعتقاد عبر نموذج الحركة، ثم تحدّثه عبر نموذج القياس. وتُعالج القياسات المتعددة واحدًا بعد واحد لأن استقلالها يسمح بذلك، وهذا أوفر حسابيًا. الكسب المشترك يوازن بين عدم اليقين في الموضع وضوضاء القياس، وفي المثال يحرّك التقدير قليلًا نحو المعلم عندما يكون المدى المرصود أقصر من المتوقع.
التقدير والمطابقة 1:16:32
يتجاوز الشرح تعقيد تقدير متغيرات المطابقة إلى الخميس. الفكرة بسيطة: لا أحد يخبرك بالعلاقة بين القياسات والمعالم، لذا تقدّر هذه المطابقة أثناء معالجة القياسات وتحديد الموقع باستخدام تقدير الاحتمال الأقصى. ثم تُضاف هذه الخطوة إلى مرشح كالمان الموسع، مع التنبيه إلى أن الاشتقاق هنا اعتمد على المعالم النقطية.
AI-generated summary. It can be wrong or incomplete - check anything that matters against the original.
