【机器人状态估计】粒子滤波算法介绍

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

  1. 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
  2. 预测(运动方程)每个粒子下一时刻的"位置"
  3. 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
  4. 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
  5. 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

  1. 使用运动方程从上一时刻完成更新的粒子预测状态
  2. 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 复制代码
#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 复制代码
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
相关推荐
幸运超级加倍~25 分钟前
软件设计师-上午题-16 算法(4-5分)
笔记·算法
yannan2019031332 分钟前
【算法】(Python)动态规划
python·算法·动态规划
埃菲尔铁塔_CV算法34 分钟前
人工智能图像算法:开启视觉新时代的钥匙
人工智能·算法
EasyCVR34 分钟前
EHOME视频平台EasyCVR视频融合平台使用OBS进行RTMP推流,WebRTC播放出现抖动、卡顿如何解决?
人工智能·算法·ffmpeg·音视频·webrtc·监控视频接入
linsa_pursuer35 分钟前
快乐数算法
算法·leetcode·职场和发展
小芒果_0137 分钟前
P11229 [CSP-J 2024] 小木棍
c++·算法·信息学奥赛
qq_4340859038 分钟前
Day 52 || 739. 每日温度 、 496.下一个更大元素 I 、503.下一个更大元素II
算法
Beau_Will38 分钟前
ZISUOJ 2024算法基础公选课练习一(2)
算法
XuanRanDev41 分钟前
【每日一题】LeetCode - 三数之和
数据结构·算法·leetcode·1024程序员节
gkdpjj42 分钟前
C++优选算法十 哈希表
c++·算法·散列表