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。
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;
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);
接着我们定义pHit
和pMiss
,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:
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:
- 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')
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)
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
与概率论
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。