So, I'd like to take my students on a little journey to Stanford
and show them our self-driving car that uses sensors to sense the environment.
So let me dive into the class pretty much right now.
So, in our last class, we talked about localization.
We had a robot that lived in an environment and that could use its sensors
to determine where in the environment it is.
Here you can see the Google self-driving car using a road map localizing itself.
But in addition, what is shown here in red are measurements of other vehicles.
The car uses lasers and radars to track other vehicles, and today we're going to talk about how to find other cars.
The reason why we would like to find other cars is because we wouldn't want to run into them.
We have to understand how to interpret sensor data to make assessments,
not just where these other cars are as in the localization case,
but also how fast they're moving
so you can drive in a way that avoids collisions with them in the future.
That's important = not just for cars.
It matters for pedestrians and for bicyclists.
Understand where other cars are and making predictions where they're going to move
is absolutely essential for safe driving in the Google car project.
[Tracking]
So in this class we're going to talk about tracking.
And the technique I'd like to teach you is called a Kalman filter.
This is an insanely popular technique for estimating the state of a system.
It's actually very similar to the probabilistic localization method
we talked in the previous class--Monte Carlo localization.
The primary differences are that Kalman filters estimate a continuous state
whereas in Monte Carlo localization we are forced to chop the world into discrete places.
As a result, the Kalman filter happens to give us a unimodal distribution--
and I'll tell you in a second what that means--
whereas Monte Carlo was fine with multimodal distributions.
Both of these techniques are applicable to robot localization and tracking other vehicles.
In fact, in a later class, we're going to learn about particle filters,
which are yet another way to address the same problem,
and indeed they are actually continuous and multimodal.
But for the time being, let's look into Kalman filters
and ignore these other two families of methods.
Let me start with a example. Consider the car done here.
Let's assume the it sees as its measurement, an object here, here, here,
here, and here for the times t = 0, t = 1, t = 2, and t = 3.
Where would you assume the object would be at t = 4? Check one of those 3 boxes.
Me gustaría llevar a mis estudiantes a un pequeño viaje a Stanford
y mostrarles nuestro coche auto-conducido que utiliza sensores para detectar el entorno.
Permítanme sumergirse en esta clase maravillosa inmediatamente.
En nuestra última clase, hablamos sobre la localización.
Teniamos un robot que vivia en un entorno y que podía usar sus sensores
para determinar donde estaba en el entorno.
Aquí puedes ver el coche auto-conducido de Google usando un mapa de carreteras para localizarse.
Pero, además, lo que se ve aquí en rojo son las mediciones de otros vehículos.
El coche utiliza láseres y radares para seguir a otros vehículos y hoy vamos a hablar acerca de cómo encontrar otros coches.
La razón por la que le gustaría encontrar otros coches es porque no querría cochar con ellos.
Así que tenemos que entender cómo interpretar los datos de los sensores para hacer las evaluaciones,
no sólo de donde estan los otros coches en el caso de la localización,
sino también de la rapidez con que se están moviendo
lo que puede conducir de alguna manera a evitar colisiones con ellos en el futuro.
Eso es importante, no sólo para los coches.
También es importante para los peatones y los ciclistas.
Entender donde están los otros coches y hacer predicciones de hacía donde se van a mover
es absolutamente esencial para una conducción segura en el proyecto del coche de Google.
Así que en esta clase vamos a hablar acerca del seguimiento (tracking).
La técnica que me gustaría enseñarte se llama filtro de Kalman.
Esta es una técnica increíblemente popular para estimar el estado de un sistema.
De hecho, es muy similar al método de localización probabilísta
que te enseñe en la clase anterior: La localización de Monte Carlo.
Las principales diferencias son que los filtros de Kalman estiman un estado continuo
mientras que la localilazión de Monte Carlo lo expresamos cortando el mundo en sitios discretos.
Y como resultado, lo que sucede es que el filtro de Kalman nos da una distribución unimodal,
y te diré en un segundo lo que significa,
mientras que Monte Carlo fue bien con distribuciones multimodales.
Ambas técnicas son aplicables para la localización del robot y el seguimiento de otros vehículos.
De hecho, en la siguiente clase, vamos a aprender acerca de los filtros de partículas,
que son otra forma de abordar el mismo problema,
y de hecho es continuo y multimodal.
Pero por ahora vamos a fijarnos en los filtros de Kalman
e ignorar las otras dos familias de métodos.
Permítanme comenzar con un ejemplo. Considere el coche aquí.
Asumamos que el que ve como su medida, un objeto aquí, aquí, aquí,
y aquí para los tiempos t = 0, t = 1, t = 2 y t = 3.
¿Dónde asume usted que estaría el objeto en t = 4? Marque una de las tres cajas.
スタンフォード大学への
ちょっとした旅にお連れして
周囲の状況を認識するセンサを使用する
自動運転車をお見せしました
ではさっそく講義を始めます
レッスン1は位置推定についてでした
ある環境に住んでいるロボットがいて
その環境のどこにいるのかを判断するために
センサを使いました
このGoogleの自動運転車は
道路地図を使用して自身の位置を推定します
赤で示されるものは他の乗り物の推定位置です
他の車を追跡するためにレーザとレーダを使います
ではどのように他の車を見つけるのかを
お話ししましょう
他の車を見つけるのは衝突を避けるためです
判断するためにはセンサ・データの解析方法を
理解しなければいけません
位置推定のように他の車の位置だけでなく
どれだけの速さで動いているのかも判断し
起こり得る衝突を避けて運転することができます
これは車のためだけでなく
歩行者や自転車にとっても重要なことです
他の車がどこにいるのか理解して
その動きを予測することは
Googleの自動運転車の安全運転には
必要不可欠です
ここでは追跡についてお話します
カルマンフィルタと呼ばれる
技術について学びましょう
これはシステムの状態を予測する
極めて一般的な技術で
前の講義で説明した確率論的な位置推定手法の
モンテカルロ位置推定に非常によく似ています
主な違いはカルマンフィルタは
連続状態を予測するという点です
モンテカルロ位置推定では
世界を個々の場所に分割しました
つまりカルマンフィルタは単峰型分布です
それが何を意味するのかをお話していきます
モンテカルロは多峰型分布でも
問題ありませんでしたが
ロボットの位置推定と他の車の追跡には
これら両方が応用できます
後々のレッスンでは
同様の問題を扱う方法の1つである
粒子フィルタについても学びます
しかし今はカルマンフィルタについて
見ていきましょう
他の2つの方法は無視します
例を出しましょう ここに車があるとします
観測対象とみなすものとして
物体をこれらの4ヵ所に配置します
それぞれの時間はt=0、t=1、t=2、t=3です
t=4の時 物体はどこにあると推測できますか
3つのうち1つをチェックしてください
Я хотел бы воспользоваться моими студентами для небольшого путешествие в Стэнфорде
и показать им нашу машину самостоятельного вождения , который использует датчики, чтобы ощутить окружающую среду.
Итак, позвольте мне погрузиться в класс .
В нашем последнем классе, мы говорили о локализации
У нас был робот, который жил в окружающей среде и, мог использовать свои датчики
чтобы определить, где он находится.
Здесь вы можете увидеть автомобиль самостоятельного вождения Google, который использует саму дорожную карту локализации .
Но кроме того, что показано здесь красным, являются измерениями других транспортных средств.
Автомобиль использует лазеры и радары для отслеживания других транспортных средств, и сегодня мы поговорим о том, как найти другие автомобили.
Причина, почему я хотел бы найти другие автомобили, проста, мы избегаем столкновения с ними.
Мы должны понять, как интерпретировать данные датчиков, чтобы сделать оценку
не только, где находятся другие автомобили, как в случае с локализацией,
но и как быстро они движутся
так чтобы вы могли управлять автомобилем, избегая столкновения с другими в будущем.
Это очень важно - не только для автомобилей.
Это важно для пешеходов и для велосипедистов.
Для понимания и прогноза, где другие машины и куда они направляются
Это является абсолютно необходимым для безопасного вождения в проекте автомобиль Google.
[Слежение]
Таким образом, в этом классе мы будем говорить об отслеживании
Техника, которую я хотел бы представить для вас называется фильтра Калмана.
Это безумно актуальная техника для оценки состояния системы
Это на самом деле очень похоже на вероятностный метод локализации
Которую мы учили в предыдущем классе - Монте-Карло локализации.
Основное различие в том, что Кальман фильтры оценивает непрерывное состояние
в то время как локализация Монте-Карло мы выразили путем разбития мира на отдельные места.
В результате, фильтр Калмана появился, чтобы дать нам унимодальные распределения
и я скажу вам во второй, что это значит
не смотря на то, что Монте-Карло был прекрасен с мультимодальным распределением.
Оба эти методы применимы к локализации робота и отслеживания других транспортных средств.
В самом деле, в более поздних классах, мы изучим частичные фильтры
,которые являются еще одним способом решения той же проблемы
да и вообще они на самом деле непрерывные и мультимодальные.
Но на данный момент давайте посмотрим на фильтры Калмана
и игнорировать эти два подобные методы.
Позвольте мне начать с примера. Рассмотрим автомобиль сделанный здесь.
Давайте предположим, что он видит, как ее измерение, объект, здесь, здесь, здесь,
здесь, и здесь для того времени T = 0, T = 1, т = 2 и т = 3.
Где вы предполагаете, объект будет при Т = 4? Проверьте в одном из тех 3 коробки.