Innovationsschritt ekf Lokalisierung?

Lassen Sie uns sagen , dass wir eine Reihe von Beobachtungen haben von Sensor und wir haben eine Karte , in der wir den vorhergesagten Messungen erhalten können für Sehenswürdigkeiten. In EKF Lokalisation im Korrekturschritt, sollten wir vergleichen jede Beobachtung mit der gesamten vorhergesagten Messung ?, Also in diesem Fall haben wir zwei Schleifen? Oder vergleichen wir einfach jede Beobachtung mit jeder vorhergesagten Messung? In diesem Fall haben wir also eine Schleife. Ich gehe davon aus, dass der Sensor bei jedem Scan alle Beobachtungen für alle Orientierungspunkte liefern kann. Das folgende Bild zeigt das Szenario. Jedes Mal, wenn ich die EKF-Lokalisierung ausführe, erhalte ich $z^{i}$ $\hat{z}^{i}$ $z^{i}$ $\hat{z}^{i}$ , und ich habe , so dass ich kann . Um den Innovationsschritterhalten, istdaswas ich tat $z^{i} = \{ z^{1}, z^{2}, z^{3}, z^{4}\}$ $m$ $\hat{z}^{i} = \{ \hat{z}^{1}, \hat{z}^{2}, \hat{z}^{3}, \hat{z}^{4}\}$

{Z.}^{1} = z^{1} - - {\hat{z}}^{1} {Z.}^{2} = z^{2} - - {\hat{z}}^{2} {Z.}^{3} = z^{3} - - {\hat{z}}^{3} {Z.}^{4} = z^{4} - - {\hat{z}}^{4}

$Z^{1} = z^{1} - \hat{z}^{1} \\ Z^{2} = z^{2} - \hat{z}^{2} \\ Z^{3} = z^{3} - \hat{z}^{3} \\ Z^{4} = z^{4} - \hat{z}^{4} \\$ wo

die Innovation ist. Für jede Iteration bekomme ich vier Neuerungen. Ist das richtig? Ich verwende EKF-Lokalisierung in diesem Buch Probabilistic Robotics Seite 204.

Z

$Z$

sensors localization ekf

— CroCo
quelle

Tatsächlich hatte ich mit meiner Annahme Recht. Ich habe gute Ergebnisse erzielt.

— CroCo

Ja, dies ist unter zwei Annahmen richtig:

$z_i$ $z_j$
Datenassoziation ist bekannt. Mit anderen Worten, Sie "wussten" nur, dass Ihre erste Beobachtung tatsächlich eine Beobachtung von Landmarke 1 war. Daher können Sie die Innovation einfach mit der vorhergesagten Beobachtung berechnen, die von Landmarke 1 erzeugt wird. Wenn Sie nicht wissen, zu welchem Orientierungspunkt die Beobachtung gehört, befindet sich das Doppelte In diesem Fall müssen Sie die Beobachtung mit den vorhergesagten Beobachtungen aller * anderen Orientierungspunkte vergleichen und die wahrscheinlichste ** auswählen, indem Sie eine Metrik wie die Mahalanobis-Entfernung verwenden.

* Sie können dies wahrscheinlich beschleunigen, indem Sie es nur mit Orientierungspunkten vergleichen, die sich voraussichtlich im Sichtfeld des Sensors befinden.

** Dies ist nur eine Methode zur Datenzuordnung. Andere (z. B. Gelenkverträglichkeit) existieren.

— Kamek
quelle

Wie können Sie für jeden Orientierungspunkt einen einzelnen Wert berechnen?