Ogni particella rappresenta una possibile traiettoria del robot.
Ogni particella:
Ogni particella sopravvive con una probabilità proporzionale al likelihood di osservazione relativa alla sua propria mappa.
Ogni mappa è grande (grid maps).
Poiché ogni particella mantiene la sua mappa il numero di particelle va mantenuto piccolo (poche ma buone).
Soluzione: Calcolo di migliori distribuzioni.
Idea: Migliorare la stima di posa prima applicare il filtro particellare.
Massimizza il likelihood della i-esima posa e mappa relativa alla (i-1)-esima posa e mappa.
Scan-matching fornisce una correzione di posa localmente consistente.
Sequenze odometriche pre-corrette usando scan-matching e uso come input per FastSLAM.
Minori particelle sono necessarie perchè l’errore di input è ridotto.
Stesso modello per le osservazioni.
Odometria invece di scan matching come input.
Numero di particelle variano da 500 a 2.000.
Risultato tipico è mostrato nella figura a lato.
Distribuzione proposata migliorata porta ad una mappa più accurata.
Ottenuta adattando la distribuzione proposta considerando le osservazioni più recenti.
Passi di re-sampling flessibile possono ulteriormente migliorare l’accuratezza.
Re-sampling è pericoloso, dato che campioni importanti possono andare perduti (particle depletion problem).
Nel caso di proposte sub-ottime il re-sampling della distribuzione è necessario per arrivare alla convergenza.
Questione chiave: quando fare il re-sampling?
Misure empiriche di quanto la distribuzione obiettivo è approssimata da campioni estratti dalla proposta.
neff descrive “la varianza del peso delle particelle”: peggiore è l’approssimazione maggiore è la varianza.
neff con pesi uguali massima: la distribuzione è vicina a quella proposta.
Re-sampling ogni volta che neff va sotto una soglia (n/2).
Vedi [Doucet, '98; Arulampalam, '01].
Le idee di FastSLAM possono essere applicate alle grid maps.
L’uso di sensori accurati per le osservazioni porta a buone proposte ed a filtri altamente efficienti.
Simile allo scan-matching su base per-particle.
Il numero di particelle necessarie e passi dire-sampling può essere seriamente ridotto.
Versioni migliorate di FastSLAM grid-based possono gestire ambienti più larghi delle implementazioni naïve in “real time” perché richiedono un ordine di grandezza minore di campioni.
2. Robotica mobile - parte prima
3. Robotica mobile - parte seconda
4. Robotica Probabilistica - Filtri Bayesiani (parte prima)
5. Robotica Probabilistica - Filtri Bayesiani (parte seconda)
7. Modello Probabilistico dei Sensori
8. Robotica Probabilistica - Filtri Gaussiani
10. SLAM
11. Filtri Discreti
12. FastSLAM
13. SLAM grid-based
14. Esplorazione basata su guadagno di informazione
M. Montemerlo, S. Thrun, D. Koller, and B. Wegbreit. FastSLAM: A factored solution to simultaneous localization and mapping, AAAI02.
D. Haehnel, W. Burgard, D. Fox, and S. Thrun. An efficient FastSLAM algorithm for generating maps of large-scale cyclic environments from raw laser range measurements, IROS03.
M. Montemerlo, S. Thrun, D. Koller, B. Wegbreit. FastSLAM 2.0: An Improved particle filtering algorithm for simultaneous localization and mapping that provably converges. IJCAI-2003.
G. Grisetti, C. Stachniss, and W. Burgard. Improving grid-based slam with rao-blackwellized particle filters by adaptive proposals and selective resampling, ICRA05.
A. Eliazar and R. Parr. DP-SLAM: Fast, robust simultanous localization and mapping without predetermined landmarks, IJCAI03.