Location直方图滤波算法实现与概率分布可视化

简介: Hello 大家好,今天给大家带来一份关于定位的概述入门性质的文章,看完这篇文章,你将了解Location的意义,以及一个最基本1D直方图滤波的Demo,如果你只是需要源代码,请直接往下翻!一、Location的意义在机器人导航任务中,location 可以告诉机器人目前位置,以方便闭环控制或者轨迹规划。

Hello 大家好,今天给大家带来一份关于定位的概述入门性质的文章,看完这篇文章,你将了解Location的意义,以及一个最基本1D直方图滤波的Demo,如果你只是需要源代码,请直接往下翻!

一、Location的意义

在机器人导航任务中,location 可以告诉机器人目前位置,以方便闭环控制或者轨迹规划。一般情况下,Location 可以通过
GPS,WIFI 等方式完成。GPS的定位精度在3.5米左右,WIFI则大于10米。对于机器人、无人汽车而言,这样的精度显然是不可接受的。激光雷达在10m的距离可以达到cm的精度,双目视觉在4m可以达到10cm的精度,与GPS相比有一定优势,此外,这种非在线的定位方式可以在室内使用。

Location 最大的难度来自于测量误差。里程计的计数误差,测量与里程计的不统一等。所以我们需要一种算法,能够较高精度的确定机器人的位姿。

img_668756df76844de06f5852b1d9ee8cb6.png
image

如上图所示,那些环境的网格是一个个离散的单元,将连续的环境离散化,面对的是一个离散的概率分布,这样子就意味着机器人可能处于的位置总数是有限的。下面我们将实例讲解一个最基本的基于一维空间的网格Location的直方图滤波算法,以初步定性的理解机器人Location算法。

下面的列子Udacity上的课程 https://cn.udacity.com/course/artificial-intelligence-for-robotics–cs373/

二、直方图滤波

定义一个一维的网格空间

首先我们定义一个一维的网格空间,如下图所示, 机器人就在这里纠结自己处于哪一个格子;

img_609d205242c748bec39d76d11365d4b2.png
image

初始化概率分布

接着我们需要初始化相应的概率分布:

初始概率


p=[0.2, 0.2, 0.2, 0.2, 0.2]
world=['green', 'red', 'red', 'green', 'green']

我们首先初始化没一个网格的概率都占 0.2的均匀分布,定义每一个网格的颜色,这样子这个一维的网格地图就初始化完毕了。

接着我们需要加入传感器的信息,以及机器人运动概率信息。

加入传感器与运动


measurements = ['red', 'red'] 
motions = [1,1]
pHit    = 0.6
pMiss   = 0.2
pExact      = 0.8
pOvershoot  = 0.1
pUndershoot = 0.1

在机器人运动过程中,我们首先定义机器人的运动模式 motions 分别是 -1 和 1,即移动方向左(-)右(+),假定格子是循环的(首尾联通);

img_ffb2256678c0b202432dc643a563b335.png
image

接着我们定义pHitpMiss,他们分别代表的是实际值与测量值相同的概率和不同的概率,这个怎么理解喃,我们来看一下下面这张图:

img_0413a358874b110d8805e27f8be4c2ec.png
image

如图所示,机器人测量到的信息是red, 真实的颜色分别是 ['green', 'red', 'red', 'green', 'green'],那么机器人处于各个位置的概率就应该这样计算,首先如果处于第一个网格,那么表示机器人检测错了,则处于一个网格的值应该为:0.2 * 0.2 = 0.04,那么同理可得,若处于第二个网格,就表明检测对了,则相应的网格值为:0.6 * 0.2 = 0.12
最终得到下面的数值分布:
['0.04', '0.12', '0.12', '0.04', '0.04', '0.04'];

注意,这里还不是概率分布,因为和不等于1,我们需要进行归一化处理,需要知道具体的代码实现请继续往下看。

然后,我们定义了机器人自己运动正确到达每个位置的概率, 即使我们已经可以预测他到达的位置,但是实际运动总是存在误差,可能是轮子打滑,遇到障碍物,中途没电,等等,因此我们有不足/超调的三种情况:

img_ca824bf90d2a5e2027e5ce463a52b1d0.png
image
  • pExact = 0.8
  • pOvershoot = 0.1
  • pUndershoot = 0.1

就这样我们定义了所有的概率分布,接着让我们实现具体的算法吧。

算法主体包含两个部分,测量值的更新和运动更新,最终得到各个网格的概率分布。

测量值更新

#  update measurement
def sense(p, Z):
    q=[]
    for i in range(len(p)):
        hit = (Z == world[i])
        q.append(p[i] * (hit * pHit + (1-hit) * pMiss))
    s = sum(q)
    # Normalized Sense
    for i in range(len(q)):
        q[i] = q[i] / s
    return q

我们首先需要获取所有的测量值: for i in range(len(p)):,之后分别与实际的world[i]比较,之后乘上相应的pHit / pMiss
之后通过sum函数获取总和用于皈依化处理,得到测量的概率分布。

运动更新

def move(p, U):
    q = []
    for i in range(len(p)):
        s = pExact * p[(i-U) % len(p)]
        s = s + pOvershoot * p[(i-U-1) % len(p)]
        s = s + pUndershoot * p[(i-U+1) % len(p)]
        q.append(s)
    return q

我们通过len(p)获取运动的次数,之后分别计算正确/超调/不足的概率,并且求和以得到运动之后的概率分布。

可视化:

然后我们需要可视化我们的得到的分布:

def display_map(grid, bar_width=1):

    if(len(grid) > 0):
        x_labels = range(len(grid))
        plt.bar(x_labels, height=grid, width=bar_width, color='b')
        plt.xlabel('Grid Cell')
        plt.ylabel('Probability')
        plt.ylim(0, 1) # range of 0-1 for probability values 
        plt.title('Probability of the robot being at each cell in the grid')
        plt.xticks(np.arange(min(x_labels), max(x_labels)+1, 1))
        plt.show()
    else:
        print('Grid is empty')
img_c4f846749dcd11d67ecdf62528ec67d7.gif
image

通过python的matplotlib库可以轻松的实现可视化,我们可以通过定义如下的main函数,整合上述的工作:

def main():
    global p
    for k in range(len(measurements)):
        p = sense(p, measurements[k])
        
        p = move(p, motions[k])
    
    print (p)   
    display_map(p)   

if __name__ == '__main__':
    main()

我们甚至可以开启matplotlib实时显示功能,观察如果我们运动1000次会有什么结果:

def main():
    global p
    plt.ion()
    for k in range(len(measurements)):
        p = sense(p, measurements[k])
        for i in range(1000):
            p = move(p, motions[k])
            plt.pause(0.05)
            display_map(p, 0.9)
    print (p)    
img_91d31e225449f34c3cffa38dfa40e3a5.gif
Peek 2018-10-09 04-10.gif

三、总结一下

通过今天的这篇文章,我们介绍了一个最基本用于机器人定位的算法模型,并且使用结合了Python概率论的只是具体实现了它,别小看这个算法,他可是自动驾驶汽车定位的核心思想!
如果这篇文章帮助到了你,,请务必分享!!

四、源代码获取

请在下面留言邮箱或者关注公众号后台回复邮箱即可。

不足之处,敬请斧正; 若你觉得文章还不错,请关注微信公众号“SLAM 技术交流”继续支持我们,笔芯:D。

目录
相关文章
|
3月前
|
数据采集 机器学习/深度学习 数据可视化
【优秀python web系统毕设】基于python的全国招聘数据分析可视化系统,包括随机森林算法
本文介绍了一个基于Python的全国招聘数据分析可视化系统,该系统利用数据挖掘技术、随机森林算法和数据可视化技术,从招聘网站抓取数据,进行处理、分析和预测,帮助用户洞察招聘市场,为求职者和企业提供决策支持。
101 2
|
3月前
|
搜索推荐 前端开发 数据可视化
【优秀python web毕设案例】基于协同过滤算法的酒店推荐系统,django框架+bootstrap前端+echarts可视化,有后台有爬虫
本文介绍了一个基于Django框架、协同过滤算法、ECharts数据可视化以及Bootstrap前端技术的酒店推荐系统,该系统通过用户行为分析和推荐算法优化,提供个性化的酒店推荐和直观的数据展示,以提升用户体验。
138 1
|
18天前
|
数据可视化 搜索推荐 Python
Leecode 刷题笔记之可视化六大排序算法:冒泡、快速、归并、插入、选择、桶排序
这篇文章是关于LeetCode刷题笔记,主要介绍了六大排序算法(冒泡、快速、归并、插入、选择、桶排序)的Python实现及其可视化过程。
10 0
|
2月前
|
机器学习/深度学习 数据采集 存储
一文读懂蒙特卡洛算法:从概率模拟到机器学习模型优化的全方位解析
蒙特卡洛方法起源于1945年科学家斯坦尼斯劳·乌拉姆对纸牌游戏中概率问题的思考,与约翰·冯·诺依曼共同奠定了该方法的理论基础。该方法通过模拟大量随机场景来近似复杂问题的解,因命名灵感源自蒙特卡洛赌场。如今,蒙特卡洛方法广泛应用于机器学习领域,尤其在超参数调优、贝叶斯滤波等方面表现出色。通过随机采样超参数空间,蒙特卡洛方法能够高效地找到优质组合,适用于处理高维度、非线性问题。本文通过实例展示了蒙特卡洛方法在估算圆周率π和优化机器学习模型中的应用,并对比了其与网格搜索方法的性能。
266 1
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
基于python 机器学习算法的二手房房价可视化和预测系统
文章介绍了一个基于Python机器学习算法的二手房房价可视化和预测系统,涵盖了爬虫数据采集、数据处理分析、机器学习预测以及Flask Web部署等模块。
基于python 机器学习算法的二手房房价可视化和预测系统
|
3月前
|
机器学习/深度学习 算法 数据可视化
基于Python flask的豆瓣电影数据分析可视化系统,功能多,LSTM算法+注意力机制实现情感分析,准确率高达85%
本文介绍了一个基于Python Flask框架的豆瓣电影数据分析可视化系统,该系统集成了LSTM算法和注意力机制进行情感分析,准确率高达85%,提供了多样化的数据分析和情感识别功能,旨在帮助用户深入理解电影市场和观众喜好。
116 0
|
3月前
|
监控 数据可视化 算法
基于朴素贝叶斯算法的微博舆情监控系统,flask后端,可视化丰富
本文介绍了一个基于朴素贝叶斯算法和Python技术栈的微博舆情监控系统,该系统使用Flask作为后端框架,通过数据爬取、清洗、情感分析和可视化等手段,为用户提供丰富的舆情分析和监测功能。
|
5月前
|
机器学习/深度学习 算法 测试技术
如何应对缺失值带来的分布变化?探索填充缺失值的最佳插补算法
该文探讨了缺失值插补的不同方法,比较了它们恢复数据真实分布的效果。文章指出,处理插补尤其在小样本或复杂数据时是个挑战,需要选择能适应数据分布变化的方法。文中介绍了完全随机缺失(MCAR)、随机缺失(MAR)和非随机缺失(MNAR)三种机制,并以一个简单的例子展示了数据分布变化。文章通过比较均值插补、回归插补和高斯插补,强调了高斯插补在重现数据分布方面更优。评估插补方法时,不应仅依赖于RMSE,而应关注分布预测,使用如能量距离这样的指标。此外,即使在随机缺失情况下,数据分布也可能因模式变化而变化,需要考虑适应这些变化的插补方法。
129 2
|
4月前
|
Dart 算法 数据可视化
用flutter实现五种寻路算法的可视化效果,快来看看!
半年前我写了一篇有关排序算法可视化的文章,挺有意思,还被张风捷特烈-张老师收录进了FlutterUnit,今天让我们再来做一个有关寻路算法的可视化效果吧!
|
5月前
|
算法 数据可视化 Python
【KMeans】Python实现KMeans算法及其可视化
【KMeans】Python实现KMeans算法及其可视化