Документация

Обзор

Алгоритм локализации Монте-Карло (MCL) используется для оценки положения и ориентации робота. Алгоритм использует известную карту окружения, данные датчика области значений и данные датчика одометрии. Чтобы увидеть, как создать объект и использовать этот алгоритм, смотрите monteCarloLocalization.

Чтобы локализовать робота, алгоритм MCL использует фильтр частиц, чтобы оценить его положение. Частицы представляют распределение вероятных состояний для робота. Каждая частица представляет возможное состояние робота. Частицы сходятся вокруг одного местоположения, когда робот перемещается в окружении и чувствует различные части окружения с помощью датчика области значений. Движение робота измеряется с помощью датчика одометрии.

Частицы обновляются в этом процессе:

Алгоритм выводит предполагаемое положение и ковариацию. Эти оценки являются средним значением и ковариацией наиболее взвешенного кластера частиц. Для непрерывного отслеживания повторите эти шаги в цикле, чтобы распространить частицы, оценить их вероятность и получить лучшую оценку состояния.

Для получения дополнительной информации о фильтрах частиц как общем приложении, смотрите Рабочий процесс Фильтра частиц.

Представление состояния

При работе с алгоритмом локализации цель состоит в том, чтобы оценить состояние вашей системы. Для приложений робототехники это предполагаемое состояние обычно является положением робота. Для monteCarloLocalization объект, вы задаете это положение как трехэлементный вектор. Положение соответствует x-y положению, [x y], и угловой ориентации, theta.

Алгоритм MCL оценивает эти три значения на основе входных входов датчика окружения и заданной модели движения вашей системы. Значение выхода от использования monteCarloLocalization объект включает в себя pose, которое является лучшим расчетным состоянием [x y theta] значения. Частицы распределены вокруг начального положения, InitialPose, или дискретизация равномерно с использованием глобальной локализации. Положение вычисляется как среднее значение наивысшего взвешенного кластера частиц после того, как эти частицы были скорректированы на основе измерений.

Этот график показывает самую высокую взвешенный кластер и окончательное положение робота, отображаемое над частицами выборок в зеленом цвете. С большим количеством итераций алгоритма MCL и коррекциями на измерения, частицы сходятся к истинному местоположению робота. Однако возможно, что кластеры частиц могут иметь высокие веса для ложных оценок и сходиться на неправильном месте. Если происходит неправильное сходимость, переопределите частицы путем сброса алгоритма MCL с обновленным InitialPose.

Инициализация частиц

Когда вы впервые создаете monteCarloLocalization алгоритм, задайте минимальный и максимальный пределы частиц при помощи ParticleLimits свойство. Большее количество частиц увеличивает вероятность того, что частицы сходятся на фактическом месте. Однако более низкое число частиц быстрее. Количество частиц динамически регулируется в пределах, основанных на весах кластеров частиц. Эта корректировка помогает уменьшить количество частиц с течением времени, так что локализация может работать более эффективно.

mcl = monteCarloLocalization;
mcl.GlobalLocalization = true;

Повторная дискретизация частиц и обновление положения

Чтобы локализовать робота постоянно, вы должны повторно отобразить частицы и обновить алгоритм. Используйте UpdateThreshold и ResamplingInterval свойства для управления, когда происходит повторная дискретизация и обновления предполагаемого состояния.

The UpdateThreshold является трехэлементным вектором, который определяет минимальное изменение положения робота, [x y theta], для запуска обновления. Изменение переменной больше, чем на этот минимум, запускает обновление, заставляя объект возвращать новую оценку состояния. Это изменение положения робота основано на одометрии, которая задается в функциональной форме объекта. Настройте эти пороги на основе свойств датчика и движения вашего робота. Случайный шум или незначительные изменения, большие вашего порога, могут вызвать ненужное обновление и повлиять на вашу эффективность. The ResamplingInterval свойство определяет количество обновлений для запуска повторной дискретизации частиц. Для примера - интервал повторной дискретизации 2 повторяется при каждом другом обновлении.

Преимущество повторной дискретизации частиц в том, что вы обновляете возможные местоположения, которые способствуют окончательной оценке. Повторная дискретизация перераспределяет частицы на основе их весов и развивает частицы на основе Модели Движения. В этом процессе частицы с меньшим весом устраняются, помогая частицам сходиться к истинному состоянию робота. Количество частиц динамически изменяется, чтобы улучшить скорость или отслеживание.

Эффективность алгоритма зависит от правильной повторной дискретизации. Если частицы широко диспергированы и начальное положение робота не известно, алгоритм поддерживает высокое количество частиц. Когда алгоритм сходится к истинному местоположению, это уменьшает количество частиц и увеличивает скорость эффективности. Вы можете настроить свои ParticleLimits свойство для ограничения минимальных и максимальных частиц, используемых для помощи с эффективностью.

Модель движения и датчика

Модели движения и датчика для алгоритма MCL аналогичны StateTransitionFcn и MeasurementLikelihoodFcn функции для stateEstimatorPF объект, которые описаны в параметрах фильтра частиц. Для алгоритма MCL эти модели более специфичны для локализации робота. После вызова объекта, чтобы изменить MotionModel или SensorModel свойства, сначала необходимо вызвать release на вашем объекте.