ฉันพยายามใช้ 'พื้นที่ความเชื่อ' สำหรับหุ่นยนต์ที่มีกล้องเป็นเซ็นเซอร์หลัก คล้ายกับ SLAM หุ่นยนต์มีแผนที่เป็นจุด 3 มิติและเป็นภาษาท้องถิ่นโดยทำการจับคู่ 2D-3D กับสภาพแวดล้อมในทุกขั้นตอน สำหรับวัตถุประสงค์ของคำถามนี้ฉันสมมติว่าแผนที่จะไม่เปลี่ยนแปลง

ในฐานะส่วนหนึ่งของการวางแผนพื้นที่แห่งความเชื่อฉันต้องการวางแผนเส้นทางสำหรับหุ่นยนต์ที่นำมาตั้งแต่ต้นจนถึงเป้าหมาย ดังนั้นฉันจะต้องสุ่มตัวอย่างสถานะที่เป็นไปได้ของหุ่นยนต์โดยไม่มีการเคลื่อนย้ายไปที่นั่นและการสังเกตที่หุ่นยนต์จะทำถ้ามันอยู่ในสถานะเหล่านั้นซึ่งร่วมกัน (แก้ไขฉันถ้าฉันผิด) ก่อให้เกิด แล้วจึงเข้ารหัสความไม่แน่นอนของการแปลที่จุดเหล่านั้น จากนั้นผู้วางแผนของฉันจะพยายามเชื่อมต่อโหนดที่ทำให้ฉันมีความไม่แน่นอนน้อยที่สุด (ความแปรปรวนร่วม)

เนื่องจากความไม่แน่นอนของการแปลสำหรับหุ่นยนต์ที่ใช้กล้องนี้ขึ้นอยู่กับสิ่งต่าง ๆ เช่นจำนวนจุดคุณลักษณะที่สามารถมองเห็นได้จากสถานที่ที่กำหนดมุมหัวของหุ่นยนต์เป็นต้น: ฉันต้องการการประเมินว่า จะเป็นเพื่อตรวจสอบว่าฉันควรทิ้งมัน เพื่อไปที่นั่นฉันจะกำหนดรูปแบบการวัดสำหรับสิ่งนี้ได้อย่างไรมันจะเป็นรูปแบบการวัดของกล้องหรือจะเป็นสิ่งที่เกี่ยวข้องกับตำแหน่งของหุ่นยนต์หรือไม่ ฉันจะคาดเดาการวัดของฉันล่วงหน้าได้อย่างไรและฉันจะคำนวณความแปรปรวนร่วมของหุ่นยนต์ผ่านการวัดที่เดาได้อย่างไร

แก้ไข: อ้างอิงหลักสำหรับฉันก็คือความคิดของอย่างรวดเร็วการสำรวจความเชื่อสุ่มต้นไม้ซึ่งเป็นส่วนขยายของวิธีการที่ความเชื่อถนนแผนที่ กระดาษอื่นที่เกี่ยวข้องใช้ RRBT เพื่อการวางแผนที่ จำกัด ในบทความนี้รัฐจะถูกสุ่มตัวอย่างคล้ายกับ RRT แบบดั้งเดิมซึ่งแสดงเป็นจุดยอดเป็นกราฟ แต่เมื่อมีการเชื่อมต่อจุดยอดอัลกอริทึมจะแพร่กระจายความเชื่อจากจุดสุดยอดปัจจุบันไปสู่ใหม่ (ฟังก์ชั่น PROPAGATE ในส่วน V ของ1 ) และนี่คือที่ที่ฉันติดอยู่: ฉันไม่เข้าใจอย่างเต็มที่ว่าฉันจะเผยแพร่ความเชื่อไปตามขอบโดยไม่ผ่านมันและได้รับการวัดใหม่ดังนั้นโควาเรียสใหม่จากการแปล กระดาษ RRBT กล่าวว่า "การคาดคะเนความแปรปรวนร่วมและสมการคาดการณ์ต้นทุนมีการใช้งานในฟังก์ชั่น PROPAGATE": แต่ถ้าใช้การทำนายเพียงอย่างเดียวจะรู้ได้อย่างไรว่ามีคุณสมบัติเพียงพอที่ตำแหน่งในอนาคตที่สามารถเพิ่ม / ลดความแม่นยำของการแปล

computer-vision planning probability

— ไฟฟ้าแรงสูง
แหล่งที่มา

คุณอ่านวรรณกรรมเกี่ยวกับเรื่องนี้หรือไม่?

— Jakob

ใช่ฉันได้เพิ่มรายละเอียดเพิ่มเติมในคำถามเกี่ยวกับเอกสารที่เกี่ยวข้องที่ฉันเจอ

— HighVoltage

Ooooh ฉันคิดว่าฉันเข้าใจ ให้ฉันถอดความเพื่อดูว่าฉันเข้าใจและอ้างอิงสำหรับผู้อื่น คุณต้องการสุ่มตัวอย่างภูมิภาคทั้งหมดเพื่อให้คุณสามารถกำหนดมุมมองที่เป็นไปได้ที่สถานที่จำนวนมากจากนั้นต้องการเลือกสถานที่ที่ให้ทั้งเส้นทางตั้งแต่ต้นจนจบและมุมมองที่เปิดใช้งานมุมมองของจุดสังเกต "ดี" ใช้กับการแปลในสไตล์ SLAM คำถามของคุณคือวิธีการประเมินว่ามุมมอง "ดี" หรือ "ไม่ดี" นั้นเป็นอย่างไรและอย่างไร "มุมมองที่ดี" นั้นเกี่ยวข้องกับความแปรปรวนร่วม นี่เป็นบทสรุปที่ยุติธรรมหรือไม่

— Chuck

สรุปใช่! สิ่งนี้ประสบความสำเร็จมาก่อนในกระดาษ RRBT แต่ฉันมีปัญหาในการเข้าใจคณิตศาสตร์ที่อยู่เบื้องหลัง

— แรงดันสูง

ฟังดูเหมือนเป็นแนวคิดที่ยอดเยี่ยม ฉันเข้ามือถือวันนี้ แต่ฉันจะอ่านเอกสารในวันพรุ่งนี้และพยายามที่จะพูดสอดฉันจะเดาว่าอัลกอริทึมทั้งหมดนั้นขึ้นอยู่กับการเดา (ความเชื่อ) ของสิ่งที่คุณคิดว่าคุณจะรู้สึกในขั้นตอนใด ซึ่งหมายความว่าการวัดที่เกิดขึ้นจริงไม่ได้อยู่ในอัลกอริทึมและนั่นคือเหตุผลที่คุณไม่จำเป็นต้องสำรวจพื้นที่ใด ๆ ดูเหมือนว่าอัลกอริธึมทั้งหมดถูกสร้างขึ้นรอบ ๆ ความรู้เบื้องต้นของแผนที่และขึ้นอยู่กับว่าถูกต้องสำหรับผลลัพธ์คุณภาพ

— Chuck

ใช้การแปลเฉพาะตำแหน่งแบริ่งเพื่อให้ข้อมูลกับกล้องรุ่นและจำลองการวัดด้วยเสียงรบกวนที่เป็นศูนย์ (เช่นไม่มีนวัตกรรม)

ด้วยเหตุผลหลายประการนี่เป็นวิธีที่ดีในทางทฤษฎีในการประเมินข้อมูลของเส้นทาง

มีหลาย "วัดฟรี" ตัวชี้วัดข้อมูล-Ness เป็นเช่นข้อมูลเมทริกซ์ฟิชเชอร์ สิ่งที่คุณต้องมีคือตำแหน่งของหุ่นยนต์และตำแหน่งของจุดสังเกตในแผนที่เพื่อกำหนดว่าจะได้รับข้อมูลเกี่ยวกับตำแหน่งของหุ่นยนต์มากเพียงใดโดยการวัดตำแหน่งของสถานที่สำคัญ (หรือในทางกลับกันนวัตกรรมจากการวัดจะถูกนำไปใช้กับทั้งเป้าหมายและหุ่นยนต์ (มันเป็น SLAM ใช่มั้ย) ดังนั้นเมตริกเดียวกันนี้ใช้ได้กับทั้งสองอย่าง)

ฉันจะเริ่มต้นด้วยเซ็นเซอร์เรืองซึ่งเป็นเซ็นเซอร์วิสัยทัศน์ที่ดีและเป็นที่ยอมรับ ค้นหา "เสียงรบกวน" บนการวัดค่าตลับลูกปืนโดยสมมติว่ามีข้อผิดพลาดเพียงไม่กี่พิกเซลในการค้นหาสถานที่ในโลก ให้สถานะของระบบเป็นตำแหน่งของหุ่นยนต์บวกกับความไม่แน่นอนจากนั้นจึงสุ่มเส้นทาง (ตามที่คุณแนะนำ) จากแต่ละตำแหน่งในเส้นทางตัวอย่างฉันจะคำนวณความไม่แน่นอนที่คาดการณ์ใหม่โดยใช้ FIM นี่ไม่ใช่เรื่องยากที่จะทำเพียงแค่สมมติว่าไม่มีข้อผิดพลาดในการวัด (เช่นจะไม่มี "นวัตกรรม" เกี่ยวกับความเชื่อของหุ่นยนต์ แต่คุณจะยังคงพบกับความไม่แน่นอนที่ลดลงโดยการลดความแปรปรวนร่วมในการประมาณตำแหน่งหุ่นยนต์ ไม่อัปเดตตำแหน่งหรือความไม่แน่นอนของจุดสังเกตเพียงเพื่อทำให้ปัญหาง่ายขึ้น

นี่เป็นวิธีการที่เข้าใจได้ค่อนข้างดีจากสิ่งที่ฉันจำได้ในการทบทวนวรรณกรรมครั้งล่าสุดของฉัน แต่อย่าใช้คำพูดของฉัน (ทบทวนด้วยตัวคุณเอง!) อย่างน้อยควรเป็นแนวทางพื้นฐานที่ง่ายต่อการจำลอง มาใช้พลังของวรรณกรรมกันเถอะ คุณอาจอ่านวิทยานิพนธ์นี้เพื่อการตั้งค่าและสมการ

สรุป

รูปแบบของรัฐเวกเตอร์ $x$ ซึ่งเป็นตำแหน่ง (และการวางแนวถ้าคุณดูแล) ของหุ่นยนต์และความไม่แน่นอนในองค์ประกอบตำแหน่งผู้Σ $\Sigma$
ใช้ RRT, การวางแผนที่ไม่ต่อเนื่องกราฟ (Dijkstra / A *) หรือค้นหาตาราง (A * อาจ) แต่ในทุกขั้นตอน "" ของวิถีตัวอย่าง Recompute $\Sigma_i$ โดยใช้สมการปรับปรุง EKF มาตรฐาน
ให้ "ต้นทุน" ของวิถีเป็นชุดนูนของความคืบหน้าสู่เป้าหมายและการผกผันของความแปรปรวนร่วม (เช่นเมทริกซ์ข้อมูล )

รายละเอียดปลีกย่อยบางอย่าง

ใช้เวกเตอร์สถานะที่เล็กที่สุดที่สมเหตุสมผล หากคุณสามารถสมมติว่าหุ่นยนต์สามารถเล็งกล้องโดยอิสระจากการเคลื่อนไหวหรือมีกล้องหลายตัวให้ละเว้นการวางแนวและเพียงแค่ติดตามตำแหน่ง ฉันจะดำเนินการในตำแหน่ง 2D เท่านั้น

คุณจะต้องได้รับระบบ linearized แต่สามารถยืมได้จากวิทยานิพนธ์ข้างต้น ตรวจสอบให้แน่ใจว่าไม่ต้องกังวลกับการจำลองการวัด (เช่นถ้าคุณทำการอัปเดต EKF ด้วย "การวัดจำลอง" เท่านั้นถือว่าการวัดนั้นเป็นจริงและไม่มีเสียงรบกวน

P_{ผม | ผม - 1} = F_{ผม}^{T} P_{ผม - 1 | ผม - 1} F_{ผม} + Q

$P_{i|i-1}=F^T_iP_{i-1|i-1}F_i+Q$

P = P - P H^{T} (H P H^{T} + R)^{- 1} H P

$P=P-PH^T (H P H^T + R)^{-1} HP$

ถ้าเราใช้อัตลักษณ์เมทริกซ์วูดเบอรี

P^{- 1} = P^{- 1} + H^{T} R^{- 1} H

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

$n$

ผม = Σ_{ผม = 1}^{n} H_{ผม}^{T} R^{- 1} H_{ผม}

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

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

$H$ $H$ $nx2$ $n$ $n$ $2$ $R$ $n\times n$ $\sigma I_{n\times n}$ $\sigma$

สมการการวัดคืออะไร? มัน

{สีน้ำตาล}^{- 1} \frac{Y_{เสื้อ} - Y_{R}}{x_{เสื้อ} - x_{R}}

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

$t$ $r$

คลี่คลายการเรียกซ้ำ ฉันจะดำเนินการดังนี้:

เขียนอัลกอริธึมการค้นหาพา ธ ที่หาทางได้
$H$
$trace(H^TRH)$
ขอให้สังเกตว่าผลลัพธ์ตรงกับ FIM ของวิถี (แบบฝึกหัดเหลือให้ผู้อ่าน) และคุณมีอย่างถูกต้องและในทางทฤษฎีเสียงกำหนดวิถีทางข้อมูลมากที่สุด

— Josh Vander Hook
แหล่งที่มา

ขอบคุณสำหรับคำตอบที่ยอดเยี่ยม! จริง ๆ แล้วฉันลงไปเส้นทางที่คล้ายกันมากโดยใช้ตัวชี้วัดที่ใช้กล้องเป็นของฉัน R คาดรวมกับ RRT (ฉันเพิ่งคิดว่าฉันควรตอบคำถามของตัวเอง แต่คุณเอาชนะฉันมัน!) โดยวิธีการที่ฉันคิดว่าสมการการปรับปรุงที่เรียบง่ายของคุณควรมี inv (R) อยู่ในนั้น: ซึ่งเท่ากับการเพิ่มการติดตามผลรวม (inv (R)) หรือการรวมผลรวม (R) ให้น้อยที่สุดตลอดเส้นทาง (ละเว้น H)

— HighVoltage

รับได้สวย. ฉันจะอัปเดต

— Josh Vander Hook

วิธีที่ดีที่สุดในการคำนวณความเชื่อความน่าจะเป็นของหุ่นยนต์ที่ติดตั้งเซ็นเซอร์ภาพคืออะไร

สรุป

รายละเอียดปลีกย่อยบางอย่าง