Föreläsning 8 Flashcards
(20 cards)
Bayes filter
En generell ram för tillståndsuppskattning där man uppdaterar sin tro (belief) om ett systems tillstånd baserat på tidigare tillstånd, rörelsekommandon och nya mätningar. Används för probabilistisk lokalisering.
Particle filter
En specifik implementering av Bayes-filter där sannolikhetsfördelningen representeras av ett antal partiklar (tillståndshypoteser) med vikter. Bra för att hantera osäkerhet och icke-gaussiska fördelningar.
Monte Carlo Localization (MCL)
En tillämpning av particle filter för mobil robotlokalisering. Partiklarna representerar olika möjliga positioner och orienteringar (pose) för roboten.
Particle
En enskild tillståndshypotes i ett particle filter – representerar en möjlig position och orientering för roboten.
Importance weight
Ett mått på hur sannolik en partikel är, givet sensorobservationer. Vikt används för att avgöra vilka partiklar som bäst stämmer överens med verkligheten.
Posterior
Den uppdaterade sannolikhetsfördelningen över tillstånd efter att ha tagit hänsyn till nya observationer – alltså vår nuvarande tro om robotens läge.
Proposal distribution
Den sannolikhetsfördelning som partiklarna dras ifrån – oftast rörelsemodellen (prediction step).
Target distribution
Den sannolika fördelningen vi vill representera, oftast posteriorn efter observation (korrigeringssteget).
Rejection sampling
En enkel metod för att dra prover från en distribution genom att slumpa punkter och bara acceptera de som ligger under fördelningskurvan.
Importance sampling
En teknik där man samplar från en enklare proposal distribution men viktar proverna så att de tillsammans representerar target distribution korrekt.
Resampling
Ett steg där partiklar med låg vikt tas bort och de med hög vikt dupliceras. Syftet är att fokusera beräkningen på sannolika områden i tillståndsrymden.
Systematic resampling
En effektiv metod för att utföra resampling där man drar partiklar jämnt fördelat med låg varians – ofta med hjälp av ett “hjul”-liknande algoritm.
Motion model
En modell som beskriver hur roboten förväntas röra sig givet ett kommando. Används i prediction step för att uppdatera partiklarna.
Sensor model
En modell som beskriver hur troligt det är att få en viss sensorobservation givet ett tillstånd. Används i correction step för att viktberäkna partiklar.
Observation model
Samma sak som sensor model – beskriver sannolikheten för att observera ett visst sensorvärde givet ett visst tillstånd.
Pose hypothesis
En möjlig position och orientering för roboten, representerad av en partikel i filtret.
Recursive Bayesian filtering
Ett sätt att stegvis uppdatera sannolikhetsfördelningen för ett systems tillstånd baserat på nya data och tidigare tillstånd – grunden för particle filters.
Non-Gaussian distribution
En fördelning som inte är normalfördelad – t.ex. flera toppar, snedfördelad – vilket particle filters kan hantera till skillnad från t.ex. Kalmanfilter.
Sample-based localization
Lokalisering där man använder ett urval av slumpmässiga tillstånd (partiklar) för att representera sannolikhetsfördelningen – grunden i MCL.
Kidnapped robot problem
Ett klassiskt problem där roboten plötsligt flyttas till en ny plats utan att “veta om det.” Löses ofta i MCL genom att slumpmässigt införa nya partiklar på olika platser.
