概率定位算法
问题分类:位姿追踪、局部定位、全局定位;静态、动态环境定位;单一机器人定位、多机器人定位。
贝叶斯滤波框架:
定位置信度与运动模型卷积,两次独立估计值的整合比单一估计值使系统状态确定性更高。
粒子滤波
基本思路
- 随机产生M个粒子(如M=1000),每个粒子表示状态变量的(随机)数值,如位置、航向等,粒子有权重,即重要性因子,初始时每个粒子的权重都相等
- 预测(运动方程)每个粒子下一时刻的"位置"
- 根据测量更新粒子的权重,与测量更接近的粒子具有更高的权重
- 重采样粒子,去除权重低的粒子,并用高权重的粒子去复制替代,粒子的权重被重新均分
- 统计粒子集合的加权均值和方差以得到系统的状态估计
粒子滤波实现自动驾驶多传感器融合定位
- 使用运动方程从上一时刻完成更新的粒子预测状态
- 传感器测量与从预测的状态估计的测量做差, 称为innovation, 重新确定第i个粒子的权重
w t i = p ( z t ∣ x t i , m ) w^{i}_t = p(z_t|x^{i}_t, m) wti=p(zt∣xti,m)
δ z = h ( x , m ) − z w t i = w t − 1 i ∗ N ( 0 , σ , δ z ) \delta z = h(x,m) - z \\ w^{i}t = w^{i}{t-1} * N(0, \sigma, \delta z) δz=h(x,m)−zwti=wt−1i∗N(0,σ,δz)
N ( 0 , σ , δ z ) N(0, \sigma, \delta z) N(0,σ,δz)指正态分布取 δ z \delta z δz的数值
更新状态
x t = Σ i ( w t i x t i ) Σ i ( w t i ) x_t = \frac{\Sigma_i(w^{i}_tx^{i}_t)}{\Sigma_i(w^{i}_t)} xt=Σi(wti)Σi(wtixti)
计算状态协方差
第j行第k列元素的值为:
X j , k = 1 1 − Σ i = 1 N ( w i ) 2 Σ i = 1 N w i ( x j i − u j ) ( x k i − u k ) X_{j,k}=\frac{1}{1-\Sigma^N_{i=1}(w^i)^2}\Sigma^N_{i=1}w^i(x^i_j-u_j)(x^i_k-u_k) Xj,k=1−Σi=1N(wi)21Σi=1Nwi(xji−uj)(xki−uk)
x j i x^i_j xji是第i个粒子的第j维值, x k i x^i_k xki是第i个粒子的第k维值, u j u_j uj是估计的状态第j维值
python
#计算协方差
def calc_covariance(x_est, px, pw):
"""
calculate covariance matrix
see ipynb doc
"""
cov = np.zeros((3, 3))
n_particle = px.shape[1]
for i in range(n_particle):
dx = (px[:, i:i + 1] - x_est)[0:3]
cov += pw[0, i] * dx @ dx.T
cov *= 1.0 / (1.0 - pw @ pw.T)
return cov
工程与参考《概率机器人》中有一处差异,粒子的权重更新,参考为似然函数值,参考代码将先前权重与函数值相乘。
重采样的实现
经过重采样,粒子的分布近似后验,重复高权重的粒子,低权重的粒子更有可能被替换掉
python
def re_sampling(px, pw):
"""
low variance re-sampling
"""
w_cum = np.cumsum(pw)
base = np.arange(0.0, 1.0, 1 / NP)
re_sample_id = base + np.random.uniform(0, 1 / NP)
indexes = []
ind = 0
for ip in range(NP):
while re_sample_id[ip] > w_cum[ind]:
ind += 1
indexes.append(ind)
px = px[:, indexes]
pw = np.zeros((1, NP)) + 1.0 / NP # init weight
return px, pw