Föreläsning 2 Flashcards
(19 cards)
State estimation
Processen att uppskatta tillståndet (t.ex. position, hastighet) för ett system baserat på modeller och mätningar.
Dynamic Bayesian Network (DBN)
En grafmodell som visar hur tillstånd och observationer hänger ihop över tid – används i t.ex. Bayes-filter.
Markov assumption
Antagandet att det nuvarande tillståndet bara beror på det senaste tillståndet, inte hela historiken.
Markov blanket
Mängden variabler som gör en variabel oberoende av resten – i filtering används det för att förenkla beräkningar.
Recursive Bayes Filter
Ett ramverk där man iterativt uppdaterar sin tro (belief) om ett systems tillstånd med hjälp av ny data.
Belief (bel)
En sannolikhetsfördelning över möjliga tillstånd – vår uppskattning om var systemet är just nu.
Prediction and Correction step
• Prediction: Använder rörelsemodellen för att gissa nästa tillstånd.
• Correction: Justerar tron baserat på ny sensorinformation.
Motion model
Modell som beskriver hur tillstånd förändras när ett kommando ges – används i prediktionssteget.
Parametric vs nonparametric filter
• Parametric: Antar en viss form på fördelningen, t.ex. Gaussisk (som Kalmanfilter).
• Nonparametric: Representerar fördelningen med diskreta punkter (t.ex. partikelfilter).
Linear vs non linear
• Linear: System och observationer kan beskrivas med linjära ekvationer.
• Non linear: Kräver approximationer eller mer avancerade filter, som Extended Kalman eller Particle Filter.
Probabilistic motion models
Beskriver rörelser med osäkerhet – tar hänsyn till att robotens verkliga rörelse inte exakt motsvarar det beordrade kommandot.
Odometry-based
Rörelsemodell som bygger på hjulrotationer – påverkas av glid, lutning, etc.
Velocity-based
Modell där kontrollen uttrycks i hastigheter (t.ex. linjär och vinkelhastighet) snarare än stegvisa förflyttningar.
Model for laser scanners
Beskriver hur sensordata från t.ex. LIDAR tolkas beroende på avstånd, reflektivitet och vinkel.
Kalman filter
Ett effektivt, rekursivt filter för att skatta tillstånd när osäkerheten är Gaussisk och systemet linjärt.
Komponenter av Kalman filtret
• Prediction: Uppdaterar tillståndsestimat och osäkerhet.
• Correction: Kombinerar förutsägelsen med ny observation och uppdaterar osäkerheten.
Kalman filter loop and algorithm
- Prediktion av tillstånd och kovarians
- Mätning tas in
- Kalman gain beräknas
- Tillstånd och kovarians uppdateras med vikten från gain
C parameters: fx, fy, cx, cy
Intrinsic kamera-parametrar. fx, fy är brännvidder i pixelenheter; cx, cy är bildens centrum.
Identical cameras → different why?
Även identiska kameror kan ha olika sensorplaceringar – kalibrering behövs för att korrigera.
