YouTube

Got a YouTube account?

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

Italian subtitles

← cs373_unit1_01_l_Total-Probability

dummy description

Get Embed Code
11 Languages

Subtitles translated from English Showing Revision 5 created 04/11/2012 by Anna Chiara Bellini.

  1. La storia inizia in un mondo in cui risiede il nostro robot.
  2. Assumiamo che il robot non abbia idea di dove si trova.
  3. Modelliamo questo con una funzione, la disegno in un grafico
  4. in cui l'asse verticale è la probabilità per una qualunque posizione nel mondo
  5. e l'asse orizzontale corrisponde alle posizioni in questo mondo unidimensionale.
  6. Il modo in cui modello il fatto che il belief attuale del robot su dove si possa trovare
  7. è la confusione, è con una funzione uniforme che assegna un peso uguale
  8. a qualunque possibile posizione in questo mondo.
  9. Questo è lo stato di massima confusione
  10. Per localizzarsi, il mondo deve avere alcune caratteristiche distinguibili.
  11. Immaginiamo che nel mondo ci siano tre diversi landmark [punti di riferimento]
  12. C'è una porta qui, una porta qui e una terza qui in fondo.
  13. Per questo esempio
  14. immaginiamo che siano tutte uguali, che non siano distinguibili
  15. ma il robot può distinguere una porta da una parte di non-porta, ossia dal muro.
  16. Vediamo come il robot si può localizzare immaginando che legga il sensore,
  17. e che legga che si trova vicino a una porta.
  18. Tutto ciò che sa adesso è di trovarsi, probabilmente, vicino a una porta.
  19. Questo come influenza il il nostro belief?
  20. Questo è il passo cruciale per la localizzazione.
  21. Se capsici questo passo, capisci la localizzazione.
  22. La lettura di una porta trasforma la nostra funzione di belief,
  23. definita su tutte le possibili posizioni, in una nuova funzione che si presenta così.
  24. Per le tre posizioni adiacenti alle porte, abbiamo un belief incrementato di essere in quel punto
  25. mentre per tutte le altre posizioni il belief è diminuito.
  26. Questa è la distribuzione di probabilità che assegna una probabilità più alta all'essere vicino a una porta,
  27. ed è chiamato belief a posteriori, in cui "a posteriori" significa: dopo che la misura è stata letta.
  28. Uno degli aspetti chiave di questo belief è che ancora non sappiamo dove ci troviamo.
  29. Ci sono tre possibili posizioni di porta e inoltre
  30. potrebbe essere che i sensori si siano sbagliati e che abbiamo accidentalmente visto una porta dove la porta non c'è.
  31. Per cui c'è ancora una probabilità residua di essere in questi altri posti qui,
  32. me questi tre picchi insieme esprimono davvero il nostro miglior belief su dove ci troviamo.
  33. Questa rappresentazione è la vera base della probabilità e della localizzazione di robot mobili.
  34. Adesso immaginiamo che il robot si muova
  35. Diciamo che si muove verso destra di una certa distanza.
  36. Possiamo quindi traslare il belief secondo il movimento.
  37. E questo potrebbe essere il risultato.
  38. Questo picco si è spostato qui.
  39. Quest'altro è andato qui, e questo qui.
  40. Ovviamente, il robot sa in che direzione si sta muovendo,
  41. In questo esempio si sta muovendo a destra,
  42. e sa più o meno di quanto si è spostato.
  43. Il movimento del robot non è del tutto certo.
  44. Non pssiamo mai essere certi di dove il robot si sia mosso.
  45. Per cui questi picchi sono un po' più piatti dei precedenti.
  46. Il procedimento di muovere il belief verso destra tecnicamente si chiama convoluzione
  47. Assumiamo che il robot misuri di nuovo, e per esempio,
  48. immaginiamo che di nuovo si veda accanto a una porta,
  49. per cui la misura è la stessa di prima.
  50. Adesso accade la cosa più straordinaria,
  51. moltiplichiamo il nostro belief, che ora è a priori della seconda misura,
  52. con una funzione che somiglia molto a questa
  53. che ha un picco a ciascuna porta, e ne risulta un belief fatto così
  54. Ci sono un paio di picchi bassi, ma l'unico picco davvero alto è questo qui.
  55. Questo corrisponde a quest'altro nel belief a priori,
  56. ed è l'unico posto nel belief a priori che corrisponde davvero alla misura di una porta,
  57. mentre tutte le altri posizioni corrispondenti alle porte hanno un belief a priori basso.
  58. Come risultato, questa funzione è molto interessante,
  59. è una distribuzione che centra la maggior parte del suo peso
  60. sull'ipotesi corretta che il robot si trovi sulla seconda porta,
  61. e dà un belief molto piccolo a posizioni lontane dalle porte.
  62. A questo punto il robot si è localizzato.
  63. Se hai capito questo, allora capisci la porbabilità e capisci la localizzazione.
  64. Per cui congratulazioni! Comprendi la probabilità e la localizzazione.
  65. Potresti non rendertene conto ora, ma è un aspetto cruciale del capire
  66. un insieme di cose che ti insegnerò in questa lezione.