Документация

Обзор

Алгоритм Локализации Монте-Карло (MCL) используется, чтобы оценить положение и ориентацию робота. Алгоритм использует известную карту среды, данных о датчике области значений и данных датчика одометрии. Чтобы видеть, 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 среду и обнаруживает различные части среды с помощью датчика области значений. Движение робота обнаруживается с помощью датчика одометрии.

Частицы обновляются в этом процессе:

Алгоритм выводит предполагаемое положение и ковариацию. Эти оценки являются средним значением и ковариацией самого высокого 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 общее применение смотрите Рабочий процесс Фильтра частиц.

Представление состояния

При работе с алгоритмом локализации цель состоит в том, чтобы оценить состояние системы. Для приложений робототехники это предполагаемое состояние обычно является положением робота. Для monteCarloLocalization объект, вы указываете, что это изображает из себя трехэлементный вектор. Положение соответствует положению x-y, [x y], и угловая ориентация, theta.

Алгоритм MCL оценивает эти три значения на основе входных параметров датчика среды и данной модели движения вашей системы. Выход от использования monteCarloLocalization объект включает pose, который является лучшим предполагаемым состоянием [x y theta] значения. Частицы распределяются вокруг начального положения, InitialPose, или произведенная однородно использующая глобальная локализация. Положение вычисляется как среднее значение самого высокого взвешенного кластера частиц, если эти частицы были откорректированы на основе измерений.

Этот график показывает самый высокий взвешенный кластер и итоговое положение робота, отображенное по демонстрационным частицам зеленого цвета. С большим количеством итераций алгоритма MCL и коррекций измерения, частицы сходятся к истинному местоположению робота. Однако возможно, что кластеры частицы могут иметь высокие веса для ложных оценок и сходиться на неправильном местоположении. Если неправильная сходимость происходит, передискретизируйте частицы путем сброса алгоритма MCL с обновленным InitialPose.

Инициализация частиц

Когда вы сначала создаете monteCarloLocalization алгоритм, задайте минимальные и максимальные пределы частицы при помощи ParticleLimits свойство. Более высокое количество частиц увеличивает вероятность, что частицы сходятся на фактическом местоположении. Однако более низкий номер частицы быстрее. Количество частиц настраивает динамически в пределах на основе весов кластеров частицы. Эта корректировка помогает сократить количество частиц в зависимости от времени, таким образом, локализация может запуститься более эффективно.

mcl = monteCarloLocalization;
mcl.GlobalLocalization = true;

Передискретизация частиц и обновление положения

Чтобы локализовать вашего робота постоянно, необходимо передискретизировать частицы и обновить алгоритм. Используйте UpdateThreshold и ResamplingInterval свойства управлять при передискретизации и обновления предполагаемого состояния происходят.

UpdateThreshold трехэлементный вектор, который задает минимальное изменение в положении робота, [x y theta], инициировать обновление. Замена переменной больше, чем этим минимумом инициировала обновление, вызывая объект возвратить новую оценку состояния. Это изменение в положении робота основано на одометрии, которая задана в функциональной форме объекта. Настройте эти пороги на основе своих свойств датчика и движения вашего робота. Случайные шумовые или незначительные изменения, больше, чем ваш порог, могут инициировать ненужное обновление и влиять на вашу эффективность. ResamplingInterval свойство задает количество обновлений, чтобы инициировать передискретизацию частицы. Например, интервал передискретизации 2 передискретизирует при любом обновлении.

Преимущество передискретизации частиц - то, что вы обновляете возможные местоположения, которые способствуют итоговой оценке. Передискретизация перераспределяет частицы на основе их весов и развивает частицы на основе Модели Движения. В этом процессе частицы с более низким весом устраняются, помогая частицам сходиться к истинному состоянию робота. Количество частиц динамически изменяется, чтобы улучшить скорость или отслеживание.

Эффективность алгоритма зависит от соответствующей передискретизации. Если частицы широко рассеиваются, и начальное положение робота не известно, алгоритм обеспечивает высокое количество частицы. Когда алгоритм сходится на истинном местоположении, он сокращает количество частиц и увеличивает скорость эффективности. Можно настроить ParticleLimits свойство ограничить минимальные и максимальные частицы раньше помогало с эффективностью.

Движение и модель датчика

Движение и модели датчика для алгоритма MCL похожи на StateTransitionFcn и MeasurementLikelihoodFcn функции для stateEstimatorPF объект, которые описаны в Параметрах Фильтра частиц. Для алгоритма MCL эти модели более характерны для локализации робота. После вызова объекта, чтобы изменить MotionModel или SensorModel свойства, необходимо сначала вызвать release на вашем объекте.