YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Spanish subtitles

← 07 q Tracking Intro

Get Embed Code
4 Languages

Showing Revision 1 created 08/31/2012 by almartinflorido.

  1. Me gustaría llevar a mis estudiantes a un pequeño viaje a Stanford
  2. y mostrarles nuestro coche auto-conducido que utiliza sensores para detectar el entorno.
  3. Permítanme sumergirse en esta clase maravillosa inmediatamente.
  4. En nuestra última clase, hablamos sobre la localización.
  5. Teniamos un robot que vivia en un entorno y que podía usar sus sensores
  6. para determinar donde estaba en el entorno.
  7. Aquí puedes ver el coche auto-conducido de Google usando un mapa de carreteras para localizarse.
  8. Pero, además, lo que se ve aquí en rojo son las mediciones de otros vehículos.
  9. El coche utiliza láseres y radares para seguir a otros vehículos y hoy vamos a hablar acerca de cómo encontrar otros coches.
  10. La razón por la que le gustaría encontrar otros coches es porque no querría cochar con ellos.
  11. Así que tenemos que entender cómo interpretar los datos de los sensores para hacer las evaluaciones,
  12. no sólo de donde estan los otros coches en el caso de la localización,
  13. sino también de la rapidez con que se están moviendo
  14. lo que puede conducir de alguna manera a evitar colisiones con ellos en el futuro.
  15. Eso es importante, no sólo para los coches.
  16. También es importante para los peatones y los ciclistas.
  17. Entender donde están los otros coches y hacer predicciones de hacía donde se van a mover
  18. es absolutamente esencial para una conducción segura en el proyecto del coche de Google.
  19. Así que en esta clase vamos a hablar acerca del seguimiento (tracking).
  20. La técnica que me gustaría enseñarte se llama filtro de Kalman.
  21. Esta es una técnica increíblemente popular para estimar el estado de un sistema.
  22. De hecho, es muy similar al método de localización probabilísta
  23. que te enseñe en la clase anterior: La localización de Monte Carlo.
  24. Las principales diferencias son que los filtros de Kalman estiman un estado continuo
  25. mientras que la localilazión de Monte Carlo lo expresamos cortando el mundo en sitios discretos.
  26. Y como resultado, lo que sucede es que el filtro de Kalman nos da una distribución unimodal,
  27. y te diré en un segundo lo que significa,
  28. mientras que Monte Carlo fue bien con distribuciones multimodales.
  29. Ambas técnicas son aplicables para la localización del robot y el seguimiento de otros vehículos.
  30. De hecho, en la siguiente clase, vamos a aprender acerca de los filtros de partículas,
  31. que son otra forma de abordar el mismo problema,
  32. y de hecho es continuo y multimodal.
  33. Pero por ahora vamos a fijarnos en los filtros de Kalman
  34. e ignorar las otras dos familias de métodos.
  35. Permítanme comenzar con un ejemplo. Considere el coche aquí.
  36. Asumamos que el que ve como su medida, un objeto aquí, aquí, aquí,
  37. y aquí para los tiempos t = 0, t = 1, t = 2 y t = 3.
  38. ¿Dónde asume usted que estaría el objeto en t = 4? Marque una de las tres cajas.