คำถามติดแท็ก localization

ฉันเข้าใจหลักการพื้นฐานของตัวกรองอนุภาคและพยายามนำไปใช้ อย่างไรก็ตามฉันได้วางสายในส่วนที่สุ่มใหม่ ในทางทฤษฎีการพูดมันค่อนข้างง่าย: จากชุดอนุภาค (และน้ำหนัก) แบบเก่าวาดชุดอนุภาคใหม่ที่มีการแทนที่ ในขณะที่ทำเช่นนั้นโปรดปรานอนุภาคเหล่านั้นที่มีน้ำหนักสูง อนุภาคที่มีน้ำหนักมากจะถูกดึงบ่อยขึ้นและอนุภาคที่มีน้ำหนักต่ำจะน้อยลง อาจจะแค่ครั้งเดียวหรือเปล่าเลย หลังจาก resampling น้ำหนักทั้งหมดจะถูกกำหนดน้ำหนักเดียวกัน แนวคิดแรกของฉันเกี่ยวกับวิธีการใช้สิ่งนี้คือ: ทำให้น้ำหนักปกติ คูณแต่ละน้ำหนักด้วยจำนวนอนุภาคทั้งหมด ปัดเศษน้ำหนักที่ปรับแล้วไปเป็นจำนวนเต็มที่ใกล้เคียงที่สุด (เช่นint()ใน Python) ตอนนี้ฉันควรรู้ความถี่ในการดึงแต่ละอนุภาคแต่เนื่องจากข้อผิดพลาดของการปัดเศษฉันจึงมีอนุภาคน้อยกว่าก่อนที่จะเริ่มขั้นตอนการสุ่มใหม่ คำถาม: ฉันจะ "เติม" อนุภาคที่หายไปได้อย่างไรเพื่อให้ได้อนุภาคจำนวนเท่าเดิมก่อนขั้นตอนการสุ่มตัวอย่างใหม่? หรือในกรณีที่ฉันไม่ได้ติดตามอย่างสมบูรณ์ที่นี่ฉันจะลองตัวอย่างใหม่อย่างถูกต้องได้อย่างไร

24 localization  particle-filter 

การใช้ IMU หุ่นยนต์สามารถประมาณตำแหน่งปัจจุบันเทียบกับตำแหน่งเริ่มต้น แต่สิ่งนี้จะเกิดข้อผิดพลาดเมื่อเวลาผ่านไป GPS มีประโยชน์อย่างยิ่งสำหรับการให้ข้อมูลตำแหน่งที่ไม่ลำเอียงจากการสะสมข้อผิดพลาดในท้องถิ่น แต่จีพีเอสไม่สามารถใช้ในบ้านและแม้แต่กลางแจ้งก็อาจเป็นจุด ๆ ดังนั้นวิธีการหรือเซ็นเซอร์ที่หุ่นยนต์สามารถใช้ในการ จำกัด วง (เทียบกับกรอบอ้างอิงบางส่วน) โดยไม่ใช้ GPS คืออะไร?

23 localization  gps  sensors  slam 

ให้บอกว่าฉันปล่อยหุ่นยนต์ลงในสภาพแวดล้อมที่ไม่มีรูปแบบและไม่อนุญาตให้ใช้เซ็นเซอร์สนามแม่เหล็กใด ๆ (magnetometer / เข็มทิศ) มีวิธีใดในการพิจารณาว่าทิศเหนืออยู่ที่ใด การติดตามดวงอาทิตย์ / ดาวเป็นตัวเลือก แต่ไม่น่าเชื่อถือเพียงพอเมื่อพิจารณาจากสภาพอากาศ คุณสามารถรับการหมุนของโลกโดยใช้ไจโร? มีวิธีแก้ปัญหาที่ฉลาดกว่านี้อีกไหม?

19 localization 

ฉันต้องการใช้บีคอน RF ในการปรับรูปสี่เหลี่ยมของฉันให้เป็นแบบอัตโนมัติเมื่อ GPS ไม่แม่นยำพอตัวอย่างเช่นเมื่อถนนรถแล่นของฉันกว้างเพียง 10 ฟุตและ GPS แสดงความแม่นยำเพียง 20-30 ฟุต (พร้อมทะเลสาบสุภาษิต ลาวาทั้งสองข้าง) Quadcopter จะใช้ GPS เพื่อบินไปยังสถานที่ขรุขระจนกว่าจะมีสัญญาณที่แรงพอที่จะปิดสัญญาณเมื่อมันจะเริ่มใช้สัญญาณนั้นเพื่อไปยังจุดลงจอดในตำแหน่งที่แม่นยำ ใครช่วยอธิบายแนวคิดและทฤษฎีเบื้องหลังการสร้างสัญญาณให้ฉันฟังได้ (เหมาะสำหรับการเชื่อมต่อกับ Arduino ด้วยวิธีดิจิตอลหรืออะนาล็อก) และบรรลุการพูด 4 หรือความแม่นยำแนวนอนและแนวตั้งที่ดีกว่าภายใน 50 ' ทรงกลม? Minimally, quad ควรมีช่วงและระดับความสูงคือ " บันทึกล่าสุด - สิ่งนี้จะใช้งานได้ดีในย่านความถี่ 72MHz โปรดสันนิษฐานว่าฉันกำลังใช้งานอยู่ที่ใดไม่มีอุปกรณ์อื่นที่ทำงานในย่านความถี่เดียวกัน

17 localization  quadcopter  gps 

ส่วนใหญ่แล้วการปรับการฝึกอบรมตัวกรองสัญญาณรบกวนคาลมานนั้นเกิดจากการลองผิดลองถูกหรือความรู้ในโดเมน มีวิธีที่มีหลักการสำหรับปรับพารามิเตอร์ตัวกรองคาลมานทั้งหมดหรือไม่

17 odometry  localization  kalman-filter 

ฉันใช้ EKF สำหรับ SLAM และฉันมีปัญหากับขั้นตอนการอัปเดต ฉันได้รับคำเตือนว่า K เป็นเอกพจน์rcondประเมินnear eps or NaNว่า ฉันคิดว่าฉันได้ติดตามปัญหาของการผกผันของ Z มีวิธีคำนวณ Kalman Gain โดยไม่ย้อนกลับคำสุดท้ายหรือไม่? ฉันไม่ 100% บวกนี้เป็นสาเหตุของปัญหาที่เกิดขึ้นดังนั้นฉันได้ยังใส่ทั้งหมดของฉันรหัสที่นี่ จุดเข้าหลักคือ slam2d function [ x, P ] = expectation( x, P, lmk_idx, observation) % expectation r_idx = [1;2;3]; rl = [r_idx; lmk_idx]; [e, E_r, E_l] = project(x(r), x(lmk_idx)); E_rl = …

16 slam  localization  kalman-filter  mapping 

ในขั้นตอนการคาดการณ์ของ EKF Localization จะต้องดำเนินการเชิงเส้นและ (ดังที่กล่าวไว้ในProbabilistic Robotics [THRUN, BURGARD, FOX]หน้า 206) Jacobian matrix เมื่อใช้แบบจำลองการเคลื่อนที่ด้วยความเร็ว ⎡⎣⎢xyθ⎤⎦⎥′=⎡⎣⎢xyθ⎤⎦⎥+⎡⎣⎢⎢⎢v^tω^t(−sinθ+sin(θ+ω^tΔt))v^tω^t(cosθ−cos(θ+ω^tΔt))ω^tΔt⎤⎦⎥⎥⎥[xyθ]′=[xyθ]+[v^tω^t(−sinθ+sin(θ+ω^tΔt))v^tω^t(cosθ−cos(θ+ω^tΔt))ω^tΔt]\begin{bmatrix} x \\ y \\ \theta \end{bmatrix}' = \begin{bmatrix} x \\ y \\ \theta \end{bmatrix} + \begin{bmatrix} \frac{\hat{v}_t}{\hat{\omega}_t}(-\text{sin}\theta + \text{sin}(\theta + \hat{\omega}_t{\Delta}t)) \\ \frac{\hat{v}_t}{\hat{\omega}_t}(\text{cos}\theta - \text{cos}(\theta + \hat{\omega}_t{\Delta}t)) \\ \hat{\omega}_t{\Delta}t \end{bmatrix} คำนวณเป็น GT=⎡⎣⎢⎢100010υtωt(−cosμt−1,θ+cos(μt−1,θ+ωtΔt))υtωt(−sinμt−1,θ+sin(μt−1,θ+ωtΔt))1⎤⎦⎥⎥GT=[10υtωt(−cosμt−1,θ+cos(μt−1,θ+ωtΔt))01υtωt(−sinμt−1,θ+sin(μt−1,θ+ωtΔt))001]G_{T}= \begin{bmatrix} 1 & 0 …

14 localization  kalman-filter 

เห็นได้ชัดว่า GPS เป็นเทคโนโลยีที่ชัดเจนและเข้าถึงได้มากที่สุดในการหา "แก้ไข" ตำแหน่งสำหรับหุ่นยนต์ในเวลาใดก็ได้ อย่างไรก็ตามในขณะที่มันยอดเยี่ยมในบางครั้งในสถานที่และสถานการณ์อื่น ๆ มันไม่แม่นยำเท่าที่ฉันต้องการดังนั้นฉันจึงตรวจสอบว่ามีวิธีที่ค่อนข้างง่ายในการปรับปรุงความถูกต้องนี้ (หรือไม่หากเป็นเช่นนั้น .) ฉันได้พิจารณาตัวเลือกต่อไปนี้ แต่พบข้อมูลที่ จำกัด ทางออนไลน์: จะใช้เสาอากาศที่ดีกว่าโดยเฉพาะอย่างยิ่งสำหรับพื้นที่สัญญาณต่ำหรือไม่ ฉันคิดว่าใช่สำหรับสิ่งนี้ แต่ถ้าเป็นเช่นนั้นฉันจะสร้างเสาอากาศดังกล่าวและรู้ได้อย่างไรว่ามันเป็นการปรับปรุง มีแนวทางที่ดีในการทำเช่นนี้หรือไม่? ฉันสามารถใช้เสาอากาศสำเร็จรูปถ้าพวกเขาไม่แพงเกินไป จะใช้ตัวรับสัญญาณแยกหลายตัวในการช่วยเหลือแบบเดียวกันหรือพวกมันมีแนวโน้มที่จะถูกปิดด้วยจำนวนที่คล้ายกันหรือฉันจะไม่สามารถดึงค่าเฉลี่ยที่มีความหมายกับวิธีนี้ได้หรือไม่? ฉันควรมองหาลักษณะแบบใดเมื่อเลือกตัวรับสัญญาณ GPS ที่ดีเพื่อความถูกต้อง มีอะไรอีกบ้างที่ฉันควรพิจารณาซึ่งฉันพลาดไป?

12 localization  gps 

ฉันสับสนกับคำว่า "ตัวกรองคาลมานทางอ้อม" หรือ "ตัวกรองคาลมานข้อผิดพลาด" หมายถึงอะไร คำจำกัดความที่เป็นไปได้มากที่สุดที่ฉันพบคือในหนังสือของ Maybeck [1]: ดังที่ชื่อระบุไว้ในการกำหนดพื้นที่ทั้งหมด (โดยตรง) สถานะรวมเช่นตำแหน่งยานพาหนะและความเร็วนั้นเป็นตัวแปรสถานะในตัวกรองและการวัดคือเอาต์พุต INS accelerometer และสัญญาณแหล่งภายนอก ในการกำหนดพื้นที่ข้อผิดพลาด (ทางอ้อม) ข้อผิดพลาดในตำแหน่งและความเร็วที่ระบุของ INS- เป็นตัวแปรที่ประมาณไว้และการวัดแต่ละครั้งที่นำเสนอต่อตัวกรองคือความแตกต่างระหว่าง INS และแหล่งข้อมูลภายนอก 20 ปีต่อมา Roumeliotis และคณะ ใน [2] เขียน: การสร้างแบบจำลองที่ยุ่งยากของยานพาหนะเฉพาะและการมีปฏิสัมพันธ์กับสภาพแวดล้อมแบบไดนามิกนั้นหลีกเลี่ยงได้โดยการเลือกการสร้างแบบจำลองวงแหวนแทน สัญญาณไจโรปรากฏในสมการของระบบ (แทนการวัด) ดังนั้นการกำหนดปัญหาต้องใช้แนวทางกรองคาลมานทางอ้อม (สถานะผิดพลาด) ฉันไม่เข้าใจส่วนที่เป็นตัวหนาตั้งแต่ Lefferts และคณะ ใน [3] เขียนเร็วกว่านี้มาก: สำหรับยานอวกาศอิสระการใช้หน่วยอ้างอิงเฉื่อยเป็นแบบจำลองการแทนที่ช่วยให้หลีกเลี่ยงปัญหาเหล่านี้ จากนั้นดำเนินการต่อเพื่อแสดงตัวแปรต่าง ๆ ของ EKF โดยใช้การสร้างแบบจำลองวงแหวนที่มีคำสั่งตัวกรองคาลมานอย่างชัดเจนตามคำจำกัดความของเมย์เบ็ค: รัฐเท่านั้นประกอบไปด้วยทัศนคติควอเทอเนียนและอคติไจโร ในความเป็นจริงไม่มี INS แยกต่างหากซึ่งมีข้อผิดพลาดในการประเมินด้วยตัวกรอง Kalman …

11 localization  kalman-filter  navigation  errors 

ตัวกรองคาลมานที่ไม่ได้รวมกันนั้นเป็นตัวแปรหนึ่งของตัวกรองคาลมานขยายซึ่งใช้การสร้างเส้นตรงที่แตกต่างกันโดยอาศัยการแปลงชุดของ "ซิกม่าพอยต์" แทนการขยายอนุกรมเทย์เลอร์ลำดับแรก UKF ไม่ต้องการใช้คอมพิวเตอร์ Jacobians สามารถใช้กับการแปลงแบบไม่ต่อเนื่องและที่สำคัญที่สุดคือแม่นยำกว่า EKF สำหรับการแปลงแบบไม่เชิงเส้น ข้อเสียเดียวที่ฉันพบคือ "EKF มักจะเร็วกว่า UKF เล็กน้อย" (Probablistic Robotics) เรื่องนี้ดูเหมือนจะไม่สำคัญสำหรับฉันและความซับซ้อนเชิงซีมของพวกเขาดูเหมือนจะเหมือนกัน เหตุใดทุกคนจึงยังคงชอบ EKF มากกว่า UKF ฉันคิดถึงข้อเสียที่สำคัญของ UKF หรือไม่?

10 mobile-robot  localization  kalman-filter  ekf 

ฉันต้องการสร้างหุ่นยนต์ที่ตามเส้นทางเสมือน (ไม่ใช่เส้นทางที่มองเห็นได้เช่น 'เส้นสีดำบนพื้นผิวสีขาว' ฯลฯ ) ฉันแค่กระตือรือร้นด้วยการดูวิดีโอ sci-fi ซึ่งแสดงหุ่นยนต์ที่บรรทุกสิ่งของและวัสดุในที่แออัด และพวกเขาไม่ได้ตามแนวทางกายภาพ พวกเขารู้สึกถึงอุปสรรคความลึก ฯลฯ ฉันต้องการสร้างหุ่นยนต์หนึ่งตัวซึ่งติดตามเส้นทาง (เสมือน) เฉพาะจากจุด A ถึง B ฉันลองทำสองสิ่ง: การใช้เซ็นเซอร์ "ฮอลล์เอฟเฟ็กต์" แบบแม่เหล็กบนหุ่นยนต์และกระแสไฟฟ้าลวด (ใต้โต๊ะ) ปัญหาที่เกิดขึ้นคือบริเวณใกล้เคียงของเซนเซอร์ Hall Hall นั้นมีขนาดเล็กมาก (<2 ซม.) ซึ่งเป็นเรื่องยากมากที่จะตัดสินว่าหุ่นยนต์อยู่บนเส้นหรือออฟไลน์ แม้แต่การใช้ชุดแม่เหล็กไม่สามารถแก้ปัญหานี้ได้เพราะโต๊ะของฉันหนา 1 นิ้ว ความคิดนี้ล้มเหลว: P การใช้สีอุลตร้าไวโอเลต (เป็นเส้น) และใช้หลอดไฟ LED UV บนหุ่นยนต์เป็นเซ็นเซอร์ สิ่งนี้จะให้การเคลื่อนที่แบบซิกแซกมากขึ้นสำหรับหุ่นยนต์ และเนื่องจากภัยคุกคามที่อาจเกิดขึ้นจากการใช้แหล่งกำเนิดแสง UV ความคิดนี้ก็ลดลง: P ในที่สุดฉันก็นึกถึงการมีกล้องอยู่ด้านบนและใช้อัลกอริธึมการประมวลผลภาพเพื่อดูว่าหุ่นยนต์อยู่ในสายหรือแยกจากกัน มีวิธีแก้ปัญหาที่ดีกว่านี้อีกไหม? กำลังมองหาโซลูชันที่เรียบง่ายและสร้างสรรค์ :)

10 mobile-robot  localization  wheeled-robot  industrial-robot  line-following 

ภายในการเขียนโปรแกรมวิทยาการหุ่นยนต์การปฐมนิเทศจะให้ในรูปของพิกัด x, y, & z จากตำแหน่งศูนย์กลางบางแห่ง อย่างไรก็ตามพิกัด x, y, z ไม่สะดวกสำหรับการทำความเข้าใจอย่างรวดเร็วของมนุษย์หากมีหลายสถานที่ให้เลือก (เช่น {23, 34, 45}, {34, 23, 45}, {34, 32, 45} , {23, 43, 45} ไม่ได้เป็นมนุษย์โดยเฉพาะอย่างยิ่งเป็นมิตรและมีแนวโน้มที่จะเกิดข้อผิดพลาดของมนุษย์) แต่ตัวบ่งชี้การวางแนวภาษาอังกฤษที่พบบ่อยกว่านั้นมักเป็นคำที่ไม่เหมาะสมหรือไม่เหมาะสมสำหรับการเลือกอย่างรวดเร็ว (เช่น "กล้องหน้าด้านหน้าบนไหล่ขวาด้านหน้าของหุ่นยนต์ 1" เป็นคำที่เกินไป แต่ "หน้า" / "ไปข้างหน้า" เกินไป กล้องบนขอบนำหรือมันชี้ไปข้างหน้า?) ในสถานที่ยานพาหนะทางเรือและการบินมีการพูดคุยกันโดยทั่วไปเกี่ยวกับด้านหน้า, ท้าย (หรือท้ายเรือ), พอร์ตและกราบขวา ในขณะที่ทิศทางของการเคลื่อนไหวที่สัมพันธ์กับยานพาหนะมักจะได้รับในการอ้างอิงถึง clockface (เช่นไปข้างหน้าของหน้าจะ "ที่ 12" ด้านหลังของเรือจะเป็น "ที่ 6" ในขณะที่ทางขวาของกราบขวาและ …

10 mobile-robot  control  design  localization  navigation 

ด้วยแขนหุ่นยนต์หกเหลี่ยมที่มีแขนจับเครื่องมือที่ปลายเอฟเฟกต์ถ้าฉันมีตำแหน่งเครื่องมือและการวางแนวเครื่องมือที่ต้องการจะมีวิธีแก้ปัญหา 1 อย่างเดียวสำหรับสมการจลศาสตร์ผกผันสำหรับหุ่นยนต์ที่ไปถึงตำแหน่งนั้น (หรือมากกว่า 16 โซลูชั่นที่แตกต่างกันขึ้นอยู่กับช่วงของข้อต่อ) แต่ถ้าหุ่นยนต์กำลังถืออะไรบางอย่างเช่นปากกาและฉันต้องการให้หุ่นยนต์ทำเครื่องหมายจุดเฉพาะด้วยปากกานั้นบนเป้าหมายฉันไม่สนใจว่าปากกาจะถูกวางแนวอย่างไรตราบใดที่มันตั้งฉากกับพื้นผิวที่ทำเครื่องหมายไว้ ดังนั้นสมการผกผัน - จลนศาสตร์จะมีคำตอบมากมาย ฉันจะเลือกวิธีการกำหนดค่าร่วมที่ใกล้เคียงกับการกำหนดค่าปัจจุบันที่สุดได้อย่างไร: วิธีหนึ่งที่จะต้องใช้การเคลื่อนไหวน้อยที่สุดในการเข้าถึง (หรือการกำหนดค่าข้อต่อที่เหมาะสมที่สุดตามเกณฑ์อื่น ๆ ที่คล้ายกันเช่นว่ามุมรอยต่อทั้งหมดอยู่ไกลจากสูงสุดและต่ำสุด?)

10 localization  motion-planning  industrial-robot  inverse-kinematics  kinematics 

พื้นหลัง: ฉันกำลังใช้ตัวกรองคาลมานแบบง่าย ๆ ซึ่งประมาณทิศทางของหุ่นยนต์ หุ่นยนต์ติดตั้งเข็มทิศและเครื่องวัดการหมุนวน ความเข้าใจของฉัน: ฉันกำลังคิดที่จะเป็นตัวแทนของรัฐในฐานะเวกเตอร์ 2Dโดยที่คือทิศทางส่วนหัวในปัจจุบันและ คืออัตราการหมุนที่รายงานโดยเครื่องวัดการหมุนวน( x ,x˙)(x,x˙)(x, \dot{x})xxxx˙x˙\dot{x} คำถาม: ถ้าความเข้าใจของฉันถูกต้องจะไม่มีระยะควบคุมในตัวกรองของฉัน จริงป้ะ? เกิดอะไรขึ้นถ้าฉันใช้รัฐเป็นเวกเตอร์ 1D ? ถ้าอย่างนั้นของฉันจะกลายเป็นคำควบคุมหรือไม่? วิธีการทั้งสองนี้จะให้ผลลัพธ์ที่แตกต่างกันหรือไม่ยูuu( x )(x)(x)x˙x˙\dot{x}ยูuu อย่างที่เรารู้แหล่งกำเนิดเสียงหลักมาจากเข็มทิศเมื่อเข็มทิศอยู่ในสนามแม่เหล็กที่บิดเบี้ยว ที่นี่ฉันคิดว่าเสียงเสียนสำคัญน้อยกว่า แต่ความผิดเพี้ยนทางแม่เหล็กนั้นไม่สามารถคาดเดาได้ทั้งหมด เราจะสร้างแบบจำลองในตัวกรองคาลมานได้อย่างไร ในตัวกรองคาลมานสมมุติว่า "เสียงทั้งหมดเป็นสีขาว" จำเป็นหรือไม่ บอกว่าถ้าการกระจายเสียงของฉันเป็นการกระจาย Laplacian จริงฉันสามารถใช้ตัวกรองคาลมานได้หรือไม่? หรือฉันต้องเปลี่ยนไปใช้ตัวกรองอื่นเช่นตัวกรองแบบขยายคาลมานหรือไม่

9 localization  kalman-filter  gyroscope  compass 

ฉันมีห้อง 300 ซม. x 300 ซม. พร้อมเพดานสูง 25 ซม. (ใช่ยี่สิบห้าเซนติเมตร) ประกอบด้วยหุ่นยนต์ล้อเล็ก 50 ตัว (ประมาณ 20 ซม. x 20 ซม.) คอมพิวเตอร์ส่วนกลางจะเตรียมการเคลื่อนไหวของหุ่นยนต์โดยใช้เครือข่ายไร้สายเพื่อส่งคำสั่งตำแหน่งไปยังพวกเขา หุ่นยนต์จะทำการควบคุมตำแหน่งลูปแบบปิดของตนเองเพื่อประหยัดแบนด์วิดท์ไร้สาย หุ่นยนต์มีไมโครคอนโทรลเลอร์ ARM 32 บิต พวกเขามีเซ็นเซอร์ตำแหน่งล้อและความสามารถในการควบคุมล้อที่แม่นยำ ปัญหา: หุ่นยนต์ไม่สามารถทำได้จริง ๆ เพราะพวกเขาไม่มีวิธีวัดตำแหน่งของพวกเขาในห้อง คำถาม: หุ่นยนต์จะได้รับความสามารถในการวัดตำแหน่งและการวางแนวของพวกเขาอย่างไรให้มีความแม่นยำมากกว่า± 5 มม. ฉันกำลังมองหาโซลูชันที่แม่นยำและแข็งแกร่งซึ่งไม่ได้รับผลกระทบจากการปิดกั้นและไม่ต้องการพีซีพลังสูงในแต่ละหุ่นยนต์ สิ่งที่เซ็นเซอร์มีความจำเป็นสำหรับการแปลสามารถเพิ่มหุ่นยนต์ได้อย่างง่ายดาย ไมโครคอนโทรลเลอร์สามารถเปลี่ยนแปลงได้อย่างง่ายดายสำหรับชิ้นที่มีประสิทธิภาพยิ่งขึ้นหากโซลูชันการโลคัลไลซ์เซชันต้องการ

9 localization  wireless  swarm