ভিশন সেন্সর দিয়ে সজ্জিত রোবটের সম্ভাব্য বিশ্বাসের গণনা করার সর্বোত্তম উপায় কী?

Question

আমি এমন একটি রোবটের জন্য 'বিশ্বাসের স্থান' পরিকল্পনা বাস্তবায়নের চেষ্টা করছি যার মূল সেন্সর হিসাবে একটি ক্যামেরা রয়েছে। এসএলএম-এর মতো, রোবোটটিতে 3 ডি পয়েন্টের মানচিত্র রয়েছে এবং এটি প্রতিটি পদক্ষেপে পরিবেশের সাথে 2D-3 ডি ম্যাচ করে স্থানীয়করণ করে। এই প্রশ্নের প্রয়োজনে, আমি ধরে নিচ্ছি মানচিত্রটি পরিবর্তন হয় না।

বিশ্বাসের স্থান পরিকল্পনার অংশ হিসাবে, আমি রোবোটের জন্য পথগুলি পরিকল্পনা করতে চাই যা এটি শুরু থেকে লক্ষ্য পর্যন্ত নিয়ে যায় তবে এমন একটি উপায়ে যাতে এর স্থানীয়করণের নির্ভুলতা সর্বদা সর্বাধিক হয়। অতএব, আমাকে রোবটের সম্ভাব্য রাজ্যগুলির নমুনা করতে হবে, সেখানে আসলে না গিয়ে, এবং রোবট যে পর্যবেক্ষণগুলি সেসব রাজ্যে থাকলে তা একত্রে (যা আমি ভুল হলে আমাকে সংশোধন করে) রোবটের 'বিশ্বাস' গঠন করে পরবর্তীতে সেই স্থানে স্থানীয়করণের অনিশ্চয়তা এনকোড করা হয়। এবং তারপরে আমার পরিকল্পনাকারী নোডগুলি সংযুক্ত করার চেষ্টা করবে যা আমাকে কমপক্ষে অনিশ্চয়তা (covariance) দেয়।

যেহেতু এই ক্যামেরা-ভিত্তিক রোবোটের জন্য আমার স্থানীয়করণের অনিশ্চয়তা পুরোপুরি নির্ভর করে যেমন কোনও নির্দিষ্ট অবস্থানগুলি থেকে কতগুলি বৈশিষ্ট্য পয়েন্ট দেখা যায়, রোবটের শিরোনাম কোণ ইত্যাদি: কোনও নির্দিষ্ট নমুনায় আমার স্থানীয়করণ কীভাবে 'খারাপ' হয় তার একটি প্রাক্কলন প্রয়োজন I আমার তা বাতিল করা উচিত কিনা তা নির্ধারণ করা হবে। সেখানে যাওয়ার জন্য, আমি কীভাবে এটির জন্য পরিমাপের মডেলটি সংজ্ঞায়িত করব, এটি ক্যামেরার পরিমাপের মডেল হবে বা এটি রোবটের অবস্থানের সাথে সম্পর্কিত কিছু হবে? আমি আমার পরিমাপগুলি কীভাবে আগে থেকেই 'অনুমান' করব এবং কীভাবে এই অনুমানযুক্ত পরিমাপের মধ্য দিয়ে আমি রোবোটের সম্প্রচারকে গণনা করব?

সম্পাদনা: আমার কাছে প্রধান উল্লেখটি হ'ল দ্রুতগতিতে র্যান্ডম বিশ্বাসের গাছগুলি অন্বেষণ করার ধারণা যা বিশ্বাসের রাস্তা মানচিত্রের পদ্ধতির একটি এক্সটেনশন । অন্য একটি প্রাসঙ্গিক কাগজ সীমাবদ্ধ পরিকল্পনার জন্য আরআরবিটি ব্যবহার করে। এই গবেষণাপত্রে, রাজ্যগুলি প্রচলিত আরআরটিগুলির অনুরূপ নমুনাযুক্ত, গ্রাফ হিসাবে শীর্ষে হিসাবে উপস্থাপিত হয়, তবে যখন শীর্ষগুলি সংযুক্ত করতে হয়, অ্যালগরিদমটি বর্তমান প্রান্ত থেকে নতুনতে বিশ্বাস প্রচার করে, ( 1 অনুচ্ছেদে পঞ্চম বিভাগে প্রোপাগেট ফাংশন ) , এবং এখানেই আমি আটকে আছি: আমি কীভাবে বিশ্বাসকে সত্যিকারভাবে অনুসরণ করে এবং নতুন পরিমাপ না করে, স্থানীয়করণের মাধ্যমে নতুন সমবায় না পেয়ে কীভাবে প্রসারিত করতে পারি তা আমি পুরোপুরি বুঝতে পারি না। RRBT কাগজ "সমবায় পূর্বাভাস এবং ব্যয় প্রত্যাশা সমীকরণগুলি প্রোপাগেট ফাংশনে প্রয়োগ করা হয়েছে": তবে কেবলমাত্র ভবিষ্যদ্বাণীটি ব্যবহার করা হলে এটি কীভাবে জানতে পারে, বলুন, ভবিষ্যতের অবস্থানে পর্যাপ্ত বৈশিষ্ট্য রয়েছে যা স্থানীয়করণের নির্ভুলতা বাড়াতে / হ্রাস করতে পারে?

Comments

এ নিয়ে কোনও সাহিত্য পড়েছেন?

— Jakob

হ্যাঁ, আমি যে প্রাসঙ্গিক কাগজগুলি নিয়ে এসেছি সে সম্পর্কে আমি প্রশ্নটিতে আরও কিছু বিশদ যুক্ত করেছি।

— হাইভোল্টেজ

ওওহ আমি মনে করি আমি বুঝতে পেরেছি। আমি এটি বুঝতে পারি কিনা এবং অন্যের জন্য রেফারেন্সের জন্য প্যারাফ্রেজ করতে দিন se আপনি একটি সম্পূর্ণ অঞ্চল যেমন যে আপনি অবস্থানগুলির সংখ্যক করে সম্ভাব্য মতামত নির্ধারণ করতে পারেন নমুনা করতে চান, এবং তারপর যে অফার উভয় একটি রুট শুরু থেকে শেষ পর্যন্ত অবস্থানের একটি সিরিজ নিতে চান এবং মতামত যে "ভালো" চেনার মতামত সক্ষম স্ল্যাম-স্টাইল স্থানীয়করণের সাথে ব্যবহার করুন। আপনার প্রশ্ন হল "ভাল" বা "খারাপ" দৃষ্টিভঙ্গি কীভাবে পরিমাপ করা যায় এবং কীভাবে সেই "ধার্মিকতার দৃষ্টিভঙ্গি" তত্কালীন ovকতানতার সাথে সম্পর্কিত। এটি কি ন্যায্য সংক্ষিপ্তসার?

— চক

সংক্ষেপে, হ্যাঁ! আরআরবিটি কাগজে আগেই এটি অর্জন করা হয়েছে তবে এর পিছনে অঙ্কটি আঁকতে আমার সমস্যা হচ্ছে।

— হাইভোল্টেজ

এটি একটি দুর্দান্ত ধারণা মত শোনাচ্ছে। আমি আজ মোবাইলে রয়েছি, তবে আমি আগামীকাল কাগজপত্রগুলি পড়ব এবং চিম ইন করার চেষ্টা করব I'm আমি অনুমান করতে যাচ্ছি যে পুরো অ্যালগরিদমটি কোনও নির্দিষ্ট পদক্ষেপে আপনি কী অনুভব করবেন তা অনুমানের (বিশ্বাস) উপর ভিত্তি করে , যার অর্থ প্রকৃত পরিমাপগুলি অ্যালগরিদমের অন্তর্ভুক্ত নয় এবং এজন্য আপনার কোনও স্থানকে আসলে অতিক্রম করার দরকার নেই। দেখে মনে হচ্ছে পুরো অ্যালগরিদম মানচিত্রের অগ্রাধিকার জ্ঞানের চারপাশে নির্মিত এবং মানের ফলাফলের জন্য নির্ভুল হতে তার উপর নির্ভর করে।

— চক

Answer 1

ক্যামেরার তথ্যবহুলতা মডেল করার জন্য বিয়ারিং-কেবল স্থানীয়করণ ব্যবহার করুন এবং শূন্য শব্দের সাথে পরিমাপের অনুকরণ (যেমন কোনও উদ্ভাবন নেই)।

বিভিন্ন কারণে, এটি আসলে তাত্ত্বিকভাবে কোনও পথের তথ্যবহুলতা অনুমান করার উপযুক্ত উপায়।

ফিশার ইনফরমেশন ম্যাট্রিক্সের মতো অনেকগুলি "পরিমাপ মুক্ত" তথ্য-নেস মেট্রিক রয়েছে । ল্যান্ডমার্কের অবস্থানগুলি পরিমাপ করে রোবটের অবস্থান সম্পর্কে কতটা তথ্য পাওয়া যাবে তা নির্ধারণ করতে আপনার কেবলমাত্র রোবটের অবস্থান এবং মানচিত্রে ল্যান্ডমার্কের অবস্থানগুলি দরকার। (বা ভিসা-বিপরীতে, পরিমাপ থেকে উদ্ভাবন লক্ষ্য এবং রোবোট উভয় ক্ষেত্রেই প্রয়োগ করা হয় (এটি ঠিক এসএমএল ঠিক আছে?), সুতরাং একই মেট্রিক উভয়ের পক্ষে কাজ করে)।

আমি একটি ভার্চিং সেন্সর দিয়ে শুরু করব, কারণ এটি একটি দর্শনের সেন্সরের একটি ভাল, ভালভাবে গৃহীত মডেল। বিশ্বের বৈশিষ্ট্যগুলির অবস্থান নির্ধারণের ক্ষেত্রে কয়েক পিক্সেল ত্রুটি ধরে ধরে ভারবহন পরিমাপের "শব্দ" বের করুন Figure সিস্টেমের অবস্থাটি রোবটের প্লাস এর অনিশ্চয়তা এবং তারপরে নমুনা পাথের অবস্থান (যেমন আপনি পরামর্শ দিচ্ছেন) হোক। নমুনা পথে প্রতিটি অবস্থান থেকে, আমি এফআইএম ব্যবহার করে ভবিষ্যদ্বাণী করা অনিশ্চয়তা পুনরুদ্ধার করব। এটি করা খুব কঠিন নয়, কেবলমাত্র পরিমাপে কোনও ত্রুটি অনুমান করবেন না (অর্থাত, রোবটের বিশ্বাস সম্পর্কে কোনও "উদ্ভাবন" হবে না, তবে আপনি এখনও রোবটের অবস্থান অনুমানের সাথে সামঞ্জস্যকে সঙ্কুচিত করে অনিশ্চয়তার একটি ড্রপ অনুভব করতে পারবেন। আমি চাই সমস্যাটিকে সহজ করার জন্য ল্যান্ডমার্কগুলির অবস্থান বা অনিশ্চয়তা আপডেট করবেন না।

এই সাহিত্যের আমার শেষ পর্যালোচনায় আমি যা স্মরণ করছি তার থেকে এটি বেশ ভালভাবে বোঝা যায়, তবে এর জন্য আমার কথাটি নেবেন না (নিজেকে পর্যালোচনা করুন!)। কমপক্ষে এটি একটি বেসলাইন পদ্ধতির গঠন করা উচিত যা অনুকরণ করা সহজ। সাহিত্যের শক্তি ব্যবহার করা যাক। আপনি সেট আপ এবং সমীকরণগুলির জন্য এই থিসিসটি অনুধাবন করতে পারেন ।

সংক্ষেপিত

1. স্টেট ভেক্টর যা রোবটের অবস্থান (এবং যদি আপনি যত্ন নেন তবে ওরিয়েন্টেশন) এবং সেই অবস্থানের উপাদানগুলিতে অনিশ্চয়তা ।$x$$\Sigma$
2. একটি আরআরটি, বিচ্ছিন্ন গ্রাফ পরিকল্পনাকারী (ডিজক্সট্রা / এ *), বা গ্রিড অনুসন্ধান (এ * সম্ভবত) ব্যবহার করুন, তবে নমুনাযুক্ত ট্র্যাজেক্টোরির প্রতিটি "ধাপ" এ, স্ট্যান্ডার্ড EKF আপডেট সমীকরণগুলি ব্যবহার করে ।$\Sigma_i$
3. গতিপথের "ব্যয়" লক্ষ্য এবং অগ্রগতির বিপরীতে (যেমন, তথ্য ম্যাট্রিক্স ) কিছু অগ্রগতির মিশ্রণ হতে দিন

কিছু সূক্ষ্মতা

ক্ষুদ্রতম রাষ্ট্রীয় ভেক্টর ব্যবহার করুন যা বোঝায়। আপনি যদি ধরে নিতে পারেন যে রোবটটি ক্যামেরাকে গতি থেকে স্বতন্ত্রভাবে নির্দেশ করতে পারে, বা একাধিক ক্যামেরা রয়েছে, তবে অরিয়েন্টেশনটি উপেক্ষা করুন এবং কেবল অবস্থানের ট্র্যাক করুন। আমি কেবল 2 ডি পজিশনে এগিয়ে যাব।

আপনাকে লিনিয়ারাইজড সিস্টেমটি অর্জন করতে হবে, তবে উপরের থিসিস থেকে এটি ধার নিতে পারেন। সিমুলেটিং পরিমাপ নিয়ে উদ্বিগ্ন না হওয়া নিশ্চিত করুন (উদাহরণস্বরূপ, আপনি যদি কেবল "সিমুলেটেড পরিমাপ" দিয়ে EKF আপডেট করেন তবে অনুমান করুন যে পরিমাপটি সত্য এবং গোলমাল ছাড়াই।

সমালোচনামূলকভাবে, এটি পরিকল্পনার সমস্যাটিকে সহজতর করে কারণ আপনার রাজ্যটি অনিশ্চয়তা এবং পরিকল্পিত গতি ছাড়া পরিবর্তন হয় না। EKF- এর জন্য এখানে সমীকরণগুলি পরীক্ষা করুন এবং নোট করুন যে নতুন দুটি সমবায় গণনা করার জন্য প্রাসঙ্গিক কেবল দুটি সমীকরণ এবং ... (আমি কলম্যান লাভটি শেষ সমীকরণে প্রসারিত করেছি)।

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

আমরা যদি উডবারি ম্যাট্রিক্স পরিচয় প্রয়োগ করি

আমরা সেই দ্বিতীয়টিকে সরলীকরণ করি ।

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

সম্পন্ন করা হয়েছে. ট্র্যাজেক্টোরির পদক্ষেপগুলির উপর আপনার মতো একটি সুন্দর তথ্যমূলক পরিমাপ রয়েছে ,$n$

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

যেখানে হ'ল পরিমাপের শব্দ (উদাহরণস্বরূপ, প্রতিটি ল্যান্ডমার্কের জন্য পরিমাপের ত্রুটি), আপনার ট্র্যাজেক্টরিতে প্রতিটি সময় পদক্ষেপের জন্য। যেহেতু আমরা এ খুঁজছেন তথ্য (সহভেদাংক বিপরীত) আমরা চাই পূর্ণবিস্তার ট্রেস, নির্ধারক বা অন্য কিছু$R$$\sum_{i=1}^n H_i^TR^{-1}H_i$

তো, কী? ঠিক আছে এটি রোবটের অবস্থানের সাথে সম্পর্কিত পরিমাপের জ্যাকবিয়ান ian অর্থাৎ আকারের হয় , আপনি যেহেতু চেনার ( পরিমাপ ফাংশন), এবং রোবট রাজ্যের উপাদান: X, Y। আকারের হয় , যেখানে আমি এটি সেট হবে কিছু প্রিটেন্ড মান , (প্রকৃত অনিশ্চয়তা না ব্যাপার, এটা সব একই ধ্রুবক নেই।$H$$H$$nx2$$n$$n$$2$$R$$n\times n$$\sigma I_{n\times n}$$\sigma$

পরিমাপ সমীকরণ কি? এটা

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

লক্ষ্য এবং রোবট অবস্থানের জন্য ।$t$$r$

---

পুনরাবৃত্তি আনওয়ানডিং। আমি নিম্নলিখিত হিসাবে এগিয়ে যেতে চাই:

1. কোনও পাথ অনুসন্ধান অ্যালগরিদম লিখুন যা অনিশ্চয়তার কথা বিবেচনা না করেই এর পথ খুঁজে পায়।
2. ডাইরিভ করুন , বা কোনও বিয়ারিং স্থানীয়করণের কাগজে সন্ধান করুন।$H$
3. অনুসন্ধান অ্যালগরিদমে ব্যবহারের জন্য কোনও পাথের "সদর্থকতা" নির্ধারণ করতে , পথের প্রতিটি পোজের জন্য ।$trace(H^TRH)$
4. লক্ষ্য করুন যে ফলাফলটি ট্র্যাজেক্টোরির (পাঠকের বাম অনুশীলন) এর এফআইএম এর সাথে মেলে এবং আপনি সঠিকভাবে এবং তাত্ত্বিকভাবে সঠিক উপায়ে সবচেয়ে তথ্যবহুল ট্র্যাজেক্টোরি নির্ধারণ করেছেন।

Comments

চমৎকার উত্তরের জন্য আপনাকে ধন্যবাদ! আমার অনুমানের সাথে আমার আরআরটির সাথে মিলিত হিসাবে ক্যামেরা-ভিত্তিক মেট্রিকগুলি ব্যবহার করে আমি আসলে খুব অনুরূপ পথে নেমেছি (আমি খুব সম্প্রতি ভাবছিলাম যে আমার নিজের প্রশ্নের উত্তর দেওয়া উচিত, তবে আপনি আমাকে এতে মারধর করেছেন!)। যাইহোক, আমি মনে করি আপনার সরলীকৃত আপডেট সমীকরণটি এতে ইনভ (আর) থাকা উচিত ছিল: যা যোগফল (ইনভ (আর)) সর্বাধিক করে তোলার, বা পথ জুড়ে (আর) সংক্ষিপ্তকরণ (এইচ উপেক্ষা করে)

— হাইভোল্টেজ

আমার স্নাতকের. আমি আপডেট করব।

— জোশ ভান্ডার হুক