SCE5880 Monte Carlo Filtro de Partículas

Algoritmos de Estimação para

Robótica Móvel
Filtro de partículas:

Representa pdfs através de amostras
Localização II
Representa funções não-lineares, não
gaussianas e multi-modais
Filtro de Kalman
Monte Carlo

Eficiente computacionalmente

Implmenetação simples.
2 3

SA-1

Filtro de Partículas: observação Filtro de Partículas: movimentação Filtro de Partículas: observação

4 5 6

1
 Resorteio
Filtro de Partículas: movimentação Algoritmo – filtro de partículas
w1 wn w1
wn
w2 w2
Wn-1 Wn-1

w3 w3

• Busca binária
7 8 9

Sample Odometry Motion Model Propagação das partículas Exemplos

1. Algorithm sample_motion_model(u, x):
u = δ rot1 , δ rot 2 , δ trans , x = x, y ,θ
1. δˆrot1 = δ rot1 + sample(α1 | δ rot1 | +α 2 δ trans )
2. δˆtrans = δ trans + sample(α 3 δ trans + α 4 (| δ rot1 | + | δ rot 2 |))
3. δˆ = δ + sample(α | δ | +α δ )
rot 2 rot 2 1 rot 2 2 trans

4. x' = x + δˆtrans cos(θ + δˆrot1 )

5. y ' = y + δˆ sin(θ + δˆ )
trans rot1 sample_normal_distribution
Start
6. θ ' = θ + δˆrot1 + δˆrot 2

7. Return x' , y ' , θ '

10 11 12

2
13 14 15

16 17 18

3
19 20 21

22 23 24

4
25 26 27

Limitações Soluções

O método de Monte Carlo é capaz de:

tracking

Busca global

E quanto ao problema do robô
teletransportado (kidnapped robot)?
 Inserir amostras randômicas (supondo que
o robô pode estar em qualquer lugar).
 Inserir amostras proporcionais a
verosemelhança de cada partícula (supondo
que o robô tem maiores chances de estar
nos locais onde as partículas tem maior
verosemelhança).

28 29 30

5
Algoritmo MCL (c/ recover) Gráficos – KLD Sampling
31
Resultados da localização Localização baseada em GPS

Cada partícula representa uma
possível trajetória completa do robô

É atribuído um peso a cada
partícula de acordo com sua
proximidade do GPS.

Partículas que divergem do GPS
recebem peso baixo e são
eliminadas.
Pontos do GPS
partículas
34
Localização baseada em mapa

Cada partícula representa a possibilidade do robô
estar naquela posição especifica.

É atribuído um peso a cada partícula proporcional a
sua chance de representar a posição do robô.

Partículas com peso baixo são excluídas.

Dado número suficiente de partículas, é provado que
o método converge.

Depois que o robô é localizado, a trajetória completa
é estimada propagando-se as partículas no sentido
contrário
Nova Estimativa
estimativa peso propagação anterior
32 33
Resumo
 Filtros de partículas são implementações de
filtros de Bayes
 As pdfs são representadas por amostras.
 No contexto da localização, as partículas são
propagadas de acordo com o odômetro
 No contexto da localização, as partículas
recebem seus pesos baseados no modelo de
observação .
35 36